基于组合的特征融合用于准确的植物疾病分类,使用预先训练的模型
Tembelihle Apleni1, Folasade Olubusola Isinkaye2,3, Michael Olusoji Olusanya4
1Department of Computer Science and Information Technology, School of Natural and Applied Sciences, Sol Plaatje University, Private Bag X5008, Kimberley, 8301, South Africa.
Scientific reports
|November 25, 2025
概括
集成深度学习模型整合特征融合显著提高了植物疾病检测的准确性. 这种方法提高了农业生产率,并通过精确,早期识别作物疾病,支持可持续农业.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 植物疾病对全球粮食安全和农业生产力构成重大威胁.
- 有效的植物疾病检测对于防止作物损失和经济不稳定至关重要.
- 目前的检测方法可能缺乏可持续农业所需的准确性和效率.
研究的目的:
- 调查组合深度学习模型的有效性,以功能级融合来增强植物疾病检测.
- 提高植物疾病自动识别系统的稳定性和准确性.
- 通过先进的检测技术支持可持续的农业实践.
主要方法:
- 使用预训练的深度学习模型 (VGG16,ResNet50,GoogleNet) 来从植物叶子图像中提取特征.
- 实现了特征级融合,以结合来自多个模型的表示.
- 采用了带有ReLU激活的Dense层和用于疾病分类的SoftMax分类器.
- 在新植物疾病数据集 (87,867张图像,38个类别,14种作物物种) 上进行了实验.
主要成果:
- 组合的深度学习模型在检测植物疾病方面实现了97.0%的高精度.
- 功能级融合显示了检测稳定性和准确性的显著改善.
- 该模型成功地在不同作物中分类了各种植物疾病物种.
结论:
- 结合功能融合的深度学习提供了一个强大而准确的解决方案,用于检测植物疾病.
- 这项技术可以带来更及时,更准确,更环保的农业干预.
- 这些发现支持通过改善作物监测来推进可持续农业实践.
相关概念视频
02:16Light Acquisition
9.3K
In order to produce glucose, plants need to capture sufficient light energy. Many modern plants have evolved leaves specialized for light acquisition. Leaves can be only millimeters in width or tens of meters wide, depending on the environment. Due to competition for sunlight, evolution has driven the evolution of increasingly larger leaves and taller plants, to avoid shading by their neighbors with contaminant elaboration of root architecture and mechanisms to transport water and nutrients.
9.3K
01:59Plant Breeding and Biotechnology
21.4K
Crop cultivation has a long history in human civilization, with records showing the cultivation of cereal plants beginning at around 8000 BC. This early plant breeding was developed primarily to provide a steady supply of food.
21.4K