通过ZeroShot学习提前检测马叶
Muhammad Shoaib Farooq1, Ayesha Kamran1, Syed Atir Raza2
1Department of Computer Science, School of Systems and Technology, University of Management and Technology, Lahore 54000, Pakistan.
Journal of imaging
|August 27, 2025
概括
一个新的深度学习模型,ZeroShot CNN, 准确地检测到土豆早期腐烂, 这种人工智能方法可以识别已知的和新的疾病类型,为植物病理提供可扩展的解决方案.
科学领域:
- 农业科学
- 计算机科学
- 植物病理学
背景情况:
- 土豆种植面临着严重的收获损失,原因是早期腐烂,这是由*Alternaria solani*引起的真菌病.
- 准确及早发现植物疾病对于有效的作物管理和产量保护至关重要.
研究的目的:
- 介绍一个新的深度学习框架, ZeroShot CNN,
- 评估ZeroShot CNN的性能与常规方法的早期检测.
主要方法:
- 开发了一种混合深度学习模型,集成卷积神经网络 (CNN) 用于特征提取和零射击学习 (ZSL) 用于分类.
- 在CNN架构中使用语义嵌入技术来识别未经训练的疾病类别.
- 在Kaggle土豆病数据集上训练和测试模型.
主要成果:
- ZeroShot CNN的准确度高达98.50%的可见疾病类别和99.91%的不可见疾病类别.
- 与传统方法相比,该模型表现出优越的概括能力.
- 该框架为农业疾病检测提供了可扩展的实时解决方案.
结论:
- 开发的ZeroShot CNN框架提供了一种强大而有效的工具,用于识别土豆疾病,包括新型菌株.
- 深度学习与ZeroShot推断相结合,为推进植物病理学和作物保护策略提供了重要的潜力.
- 这种方法可以通过减轻因疾病造成的作物损失来改善粮食安全.
