转移学习和UNet细分用于麦叶疾病分类作为一种解决方案,为非技术用户提供了用户友好的界面.
Penugonda Seetha Rama Krishna1, S Nagarajan2
1Department of Computer Science and Engineering, Faculty of Engineering and Technology, Annamalai University.
Journal of visualized experiments : JoVE
|November 10, 2025
概括
这项研究引入了一种深度学习模型,用于识别叶病,实现高精度. 开发的系统有助于农民在早期发现疾病,提高作物产量和质量.
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:
- 米是重要的全球粮食作物,对许多国家的经济稳定至关重要.
- 米种植面临着各种叶病的重大威胁,影响产量和谷物质量.
- 准确及时识别疾病对于有效的作物管理至关重要.
研究的目的:
- 开发和评估一个深度学习模型,用于准确的叶疾病分类.
- 通过图像分割技术来增强模型性能.
- 创建一个用户友好的界面,供农民实际应用.
主要方法:
- 使用转移学习实现了一个定制的深度学习方法.
- 评估了六种不同的模型,其中DenseNet-121显示出卓越的性能.
- 使用UNet模型进行图像细分,以提高数据集质量和模型准确性.
主要成果:
- 定制的DenseNet-121模型实现了高性能指标:0.98准确度,0.97精度和0.96回忆.
- 图像分割显著提高了所有评估模型的准确性.
- 开发了一个图形界面,用于可访问的叶病的识别.
结论:
- 深度学习,特别是带有UNet细分的DenseNet-121模型,为叶疾病分类提供了可靠和可扩展的解决方案.
- 开发的系统可以帮助早期发现疾病,有助于改善农业实践和粮食安全.
- 用户友好的界面促进了农业社区采用先进技术.
