用深度学习和基于RAG的LLM来诊断石榴病,并估计严重程度和治疗补救措施
A R Revathi1, A Arockia Agash2
1School of Computer Science and Engineering, Vellore Institute of Technology-Chennai, Chennai, Tamil Nadu, 600127, India. revathi.ar@vit.ac.in.
Scientific reports
|November 21, 2025
概括
这项研究引入了用于检测石榴病的AI系统,达到99.35%的准确性. 该系统为精准农业提供实时诊断,严重性评分和治疗建议.
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:
- 石榴种植受到疾病的威胁,影响产量和收入.
- 目前的疾病检测方法缓慢且易出错,阻碍及时干预.
- 自动检测疾病对于有效的作物管理至关重要.
研究的目的:
- 开发一种深度学习系统,用于自动,多类的石榴疾病分类.
- 实施一种用于估计疾病严重程度和局部化病变的新方法.
- 整合一个疾病治疗建议的建议模块.
主要方法:
- 使用5099个注释石榴图像的数据集来训练卷积神经网络 (CNN) 模型.
- 评估了DenseNet121,EfficientNetB0V2,MobileNetV2,ResNet50,VGG16和InceptionV3,其中DenseNet121是表现最好的一种.
- 开发了一种基于健康的偏差评分 (HBDS) 方法,使用Grad-CAM++和Mahalanobis距离来估计严重程度.
主要成果:
- 在多类疾病分类中,DenseNet121实现了99.35%的准确性.
- 与基于像素的方法相比,HBDS方法在严重性预测方面表现出更高的准确性.
- 一个检索增强语言模型提供了准确的,疾病特定的治疗建议.
结论:
- 开发的深度学习系统提供了一种实用且可扩展的解决方案,用于实时的石榴疾病诊断和管理.
- 集成的网络应用程序通过为农民提供可操作的见解,促进了精密农业.
- 自动疾病检测和严重程度估计显著提高了作物管理效率和农民利能力.
