对比度有限的适应性直方体平衡 (CLAHE) 和颜色差异直方体 (CDH) 功能合并囊网络 (CCFMCapsNet) 用于复杂的图像识别
Steve Okyere-Gyamfi1,2, Michael Asante1, Kwame Ofosuhene Peasah1
1Department of Computer Science, Kwame Nkrumah University of Science and Technology, Kumasi, Ghana.
PloS one
|October 31, 2025
概括
一个新的深度学习模型,CCFM-CapsNet,有效地以高精度检测植物叶病,优于传统方法. 这一进步有助于提高作物产量,并支持可持续发展目标2 (零饥饿).
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 农业技术 农业技术
背景情况:
- 准确的叶病检测对于作物产量和粮食安全至关重要.
- 传统的卷积神经网络 (CNN) 面临着图像变化的挑战,需要大量的数据.
- 囊网络 (CapsNets) 提供了一个替代方案,但在处理复杂图像方面存在局限性.
研究的目的:
- 引入一个新的囊网络 (CapsNet) 模型,CCFM-CapsNet,旨在克服现有的深度学习架构的植物疾病检测局限性.
- 通过先进的深度学习技术,提高识别植物叶病的准确性和效率.
- 评估CCFM-CapsNet在各种植物疾病数据集和基准数据集上的表现.
主要方法:
- 开发了CCFM-CapsNet,通过整合对比限度自适应基因图平衡 (CLAHE) 来降低噪音和一种新的特征提取方法 (CDH).
- 在 CapsNet 原始架构中整合了最大聚合和掉落层.
- 在数据集上测试模型,包括各种植物叶病 (果,香,葡萄等). 和标准的图像分类数据集 (时尚-MNIST,CIFAR-10).
主要成果:
- 在多个数据集中,CCFM-CapsNet实现了高的验证准确性,包括果的99.53%,玉米的100%和大米的100%.
- 该模型与传统的CapsNet和其他先进的CapsNet变体相比,表现出更高的性能.
- 使用相对较少的参数 (数百万) 实现了这些结果.
结论:
- CCFM-CapsNet是一种强大而准确的模型,用于识别植物叶病,比现有方法提供了显著的改进.
- 该模型的效率和高精度使其成为智能农业和实现可持续发展目标2 (零饥饿) 的宝贵工具.
- 在复杂的图像识别任务中,CLAHE和CDH的集成有效地提高了特征提取和降噪.
