智能交叉作物系统用于检测叶病,使用高光谱成像和混合深度学习用于精密农业
S B Goyal1, Varun Malik1, Anand Singh Rajawat2
1Chitkara University Institute of Engineering and Technology, Chitkara University, Punjab, India.
Frontiers in plant science
|October 23, 2025
概括
这项研究提出了一个使用高光谱成像和深度学习的智能框架,用于在交叉作物系统中早期检测叶病. 该方法实现了高精度,支持可持续农业和高效的作物管理.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 遥感 遥感 遥感 遥感
背景情况:
- 全球人口增长和密集农业需要可持续的解决方案.
- 杂交作物提高了土地利用效率,但使疾病管理复杂化.
- 早期和准确的疾病检测对于交叉作物系统中的作物健康至关重要.
研究的目的:
- 开发一个智能框架,用于在杂交作物系统中早期检测叶病.
- 为精准农业利用高光谱成像和混合深度学习.
- 提高疾病识别准确性,减少错误检测.
主要方法:
- 利用超光谱成像来捕捉微妙的作物变异.
- 采用协同群集优化 (SSO) 进行疾病区域细分.
- 应用阶段注意力融合网络 (PANet) 用于深度特征提取.
- 使用双阶段开普勒优化 (DSKO) 进行高维数据缩小.
- 使用随机深卷积神经网络 (R-DCNN) 进行疾病分类.
主要成果:
- 在玉米和大豆杂交作物中实现了99.676%的高检测准确率.
- 在豆和黄瓜交叉种植系统中达到99.538%的准确性.
- 证明了框架的稳定性和非侵入性.
结论:
- 智能框架显示出智能,可持续农业的巨大潜力.
- 超光谱成像与深度学习相结合,为作物疾病管理提供了强大的工具.
- 这种方法支持高效的资源利用和农业的生态平衡.


