VCNet:优化深度学习框架,具有深度特征提取和基因算法,用于多类米作物疾病检测

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 植物病理学 植物病理学

背景情况:

• 卷积神经网络 (CNN) 擅长检测大米疾病,但在多类泛化方面扎.
• 由于有限的数据集和症状变异,检测像烂这样的疾病是很困难的.
• 现有的转移学习模型由于深度架构而资源密集.

研究的目的:

• 提出VCNet,一个优化,新,高效的框架,用于多类米作物疾病检测.
• 开发一个具有深度特征提取的浅层模型,以减少计算负载和训练时间,而不会影响性能.
• 为了增强模型的概括性,并防止可见和不可见数据的过拟合.

主要方法:

• 设计了VCNet,一个浅层的CNN,使用VGG16层与自定义架构融合的深度特征提取.
• 实施了一种两级优化过程,涉及实验性超参数调整和遗传算法.
• 创建了一个新的现场图像数据集,由植物病理学家的专家投入.

主要成果:

• VCNet实现了高性能,训练准确率为99.72%,测试准确率为97.71%.
• 与最先进的模型相比,该模型表现出了卓越的性能,特别是在具有挑战性的类别中,如膜腐烂.
• 与现有的转移学习模型相比,VCNet需要更少的参数和更短的培训时间.

结论:

• VCNet提供了一个优化和高效的深度学习解决方案,用于多类大米疾病检测.
• 该框架有效地解决了一般化和计算资源需求方面的挑战.
• VCNet准确地预测了所有类别的水疾病,在多类场景中表现优于现有的模型.