使用图像增强和非线性模糊排名组合方法对叶病的精确诊断NLFuRBe

科学领域:

• 农业科学
• 计算机科学
• 植物病理学

背景情况:

• 类作物在经济上至关重要, 但面临严重的疾病威胁.
• 目前的疾病检测方法往往很慢,
• 及时诊断对于保持果产量,质量和全球粮食安全至关重要.

研究的目的:

• 开发一个基于症状的自动化系统来检测和分类叶病.
• 提高图像质量以提高诊断准确度.
• 整合深度学习模型,使用全新组合方法进行强大的疾病识别.

主要方法:

• 使用矢量值异型扩散 (VAD) 和形态过来增强图像质量.
• 集成VGG19,AlexNet和Xception深度学习架构.
• 一个非线性模糊的基于排名的集合 (NL-FuRBE),用于预测不确定性和偏差缓解.

主要成果:

• 拟议的NL-FuRBE模型在9个叶病类中达到96.51%的平均精度.
• 该方法与传统组合和最先进的方法相比,表现优越.
• 图像增强技术提高了分类器输入的清晰度,有助于模型的有效性.

结论:

• 该NL-FuRBE模型提供了有效的,自动化的,经济高效的病诊断解决方案.
• 这种方法支持精准农业,使叶病的早期和准确检测成为可能.
• 这项研究强调了先进人工智能技术在保护重要农作物的潜力.