贝叶斯优化CNN组合使用模糊图像增强来有效检测马虫
Achin Jain1, Arun Kumar Dubey1, Vincent Shin-Hung Pan2,3
1Department of Information Technology, Bharati Vidyapeeth's College of Engineering, New Delhi, India.
Scientific reports
|August 25, 2025
概括
这项研究引入了贝叶斯优化CNN权重组用于土豆虫检测,达到97.94%的准确性. 这种强大的深度学习方法提高了农业疾病的分类,并减少了作物损失.
科学领域:
- 农业科学
- 计算机科学
- 机器学习
背景情况:
- 马病对农业和经济造成重大损失.
- 准确及及早地检测马病对作物管理至关重要.
研究的目的:
- 开发一个高度准确的深度学习模型来检测马叶病.
- 使用贝叶斯优化和集合学习优化卷积神经网络 (CNN) 模型.
主要方法:
- 训练了多个CNN架构 (ADAM,SGD,RMSProp,ADAMAX) 并评估了个别的性能.
- 应用数据增强和模糊图像增强以改善特征提取和减轻类失衡.
- 使用贝叶斯优化来确定深度组合模型的最佳权重,探索11种组合.
主要成果:
- 最终的组合模型 (EDL7:DL1 + DL2 + DL3) 达到最高准确率97.94%.
- 整体模型表现出比单个CNN模型更好的性能.
- 获得了高精度 (0.981),回忆 (0.983) 和F1得分 (0.982).
结论:
- 贝叶斯优化集体学习显著提高了土豆虫检测的准确性.
- 拟议的方法为农业疾病分类提供了可靠的解决方案.
- 这种方法可以最大限度地减少由于马病造成的作物损失.
