多模型机器学习用于使用叶子图像数据自动识别病.

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:

• 米是全球重要的粮食来源,受到疾病的威胁,导致大量的产量损失.
• 目前的疾病识别方法缓慢,劳动密集,需要专家知识.
• 自动化,快速和经济有效的疾病检测对于现代农业和粮食安全至关重要.

研究的目的:

• 开发一种新的混合深度学习和机器学习框架,用于自动识别大米植物疾病.
• 提高从叶子图像检测病的效率和准确性.
• 减少农民对手工检查的依赖,并支持及时的农业干预.

主要方法:

• 使用预训练的卷积神经网络 (CNN) 模型 (MobileNetV2,DarkNet19,ResNet18) 从叶图像中提取了深度特征.
• 使用各种内核函数的支持矢量机 (SVM) 分类器对提取的特征进行分类.
• 采用十倍交叉验证技术,以确保模型可靠性和性能评估.

主要成果:

• 使用具有中等高斯核的SVM分类器,实现了98.61%的高分类准确度.
• 具有98.85%的特异性和97.25%的灵敏度,表现出卓越的性能.
• 该框架在处理较大的数据集方面被证明具有计算效率和可扩展性.

结论:

• 拟议的混合框架为准确识别叶病提供了可靠和高效的解决方案.
• 自动检测显著减少了手工检查的需要,赋予农民及时干预的能力.
• 这项技术支持可持续的水生产,并有助于全球粮食安全.