基于高级集群和转移学习的方法,用于叶病的细分和分类.
Samia Nawaz Yousafzai1, Fahd N Al-Wesabi2, Hadeel Alsolai3
1Center of Real-World AI Research, Kaunas, Lithuania.
PeerJ. Computer science
|September 24, 2025
概括
这项研究提出了一种先进的深度学习方法,用于准确识别大米疾病,提高作物产量. 这种新的方法提高了早期检测和分类的叶疾病,优于传统方法.
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:
- 准确和早期识别病对全球粮食安全和尽量减少作物损失至关重要.
- 传统的疾病诊断方法往往是低效的,不准确的,耗时的,阻碍了有效的疾病管理.
研究的目的:
- 开发和评估一个改进的深度学习和转移学习框架,以熟练诊断和分类大米叶病.
- 通过利用先进的计算方法来克服传统诊断技术的局限性.
主要方法:
- 图像预处理,包括调整尺寸和使用自适应式直方图平衡来增强对比度.
- 使用重力加权的核心化密度集群算法对受疾病影响的区域进行细分.
- 通过微调EfficientNetB0进行特征提取,并使用新的完全连接层进行分类,并通过帐混乱颗粒雪除除优化器进行优化.
主要成果:
- 拟议的深度学习框架在两个基准数据集上实现了98.87%和97.54%的高准确率.
- 该方法在与其他六种微调模型相比,表现出卓越的性能和有效性.
结论:
- 开发的深度学习方法为叶疾病诊断提供了高度准确和高效的解决方案.
- 这一进步有可能通过及时和精确的疾病管理来显著改善大米产量.
