一个全面的注释图像数据集,用于对茄子叶病的深度学习分析
Md Asraful Sharker Nirob1, Prayma Bishshash1, Mariyam Bin Ayan1
1Health Informatics Research Lab, Department of CSE, Daffodil International University, Daffodil Smart City, Birulia, Savar, Dhaka 1216, Bangladesh.
Data in brief
|October 27, 2025
概括
一个新的茄子叶病数据集和CBAM-EfficientNetB0模型实现了98.70%的早期疾病检测准确度. 这种人工智能驱动的方法有助于精准农业,提高作物产量和粮食安全.
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:
- 茄子疾病对全球粮食安全构成重大威胁.
- 准确和早期的疾病识别对于有效的作物管理至关重要.
研究的目的:
- 为识别茄子叶病开发一个全面的数据集.
- 提出和评估一种新的深度学习模型,用于准确的疾病分类.
主要方法:
- 收集了3116张来自孟加拉国的茄子叶子的高分辨率图像.
- 使用数据增强技术将数据集扩展到10,000张图像.
- 开发并训练了一种卷积块注意力模块-高效NetB0 (CBAM-EfficientNetB0) 模型.
主要成果:
- 拟议的CBAM-EfficientNetB0模型实现了98.70%的分类准确性.
- 超过了基线模型的表现,例如ResNet50 (32.60%),VGG16 (73.00%) 和VGG19 (68.00%).
- 该模型有效地提取了区分特征,以精确识别疾病.
结论:
- 开发的数据集和CBAM-EfficientNetB0模型使人工智能驱动的茄子早期疾病检测成为可能.
- 这项技术支持精密农业的自动化监控和决策.
- 促进可持续的农业实践,提高作物生产率和加强粮食安全.


