基于双输入流的新型混合方法用于使用边缘感知特征对小麦叶病的分类

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:

• 小麦疾病通过降低作物产量和质量,显著影响全球粮食安全.
• 准确和早期发现疾病对于有效的作物管理和可持续农业至关重要.

研究的目的:

• 提出和评估混合深度学习模型,EffiXB3,用于增强小麦作物疾病分类.
• 使用先进的人工智能技术提高小麦疾病识别的准确性和稳定性.

主要方法:

• 开发了一个混合深度学习 (DL) 模型,EffiXB3,集成Xception和EfficientNetB3架构.
• 采用双输入流架构,通过Canny边缘检测处理结构和纹理特征.
• 在一个多类分类任务中对5个小麦叶类别的模型性能进行了评估:爆发,棕色生,健康,叶虫病和Septoria.

主要成果:

• 混合型EffiXB3模型的分类准确率达到98.5%,超过单个Xception (95%) 和EfficientNetB3 (93%) 模型.
• 结合边缘感知功能显著提高了分类性能,特别是对于视觉上类似的疾病模式.
• 该模型在区分各种小麦叶状况方面表现出高度的稳定性.

结论:

• 混合DL模型,如EffiXB3,结合边缘感知功能,对于农业疾病诊断非常有效.
• EffiXB3为改善小麦种植中的疾病检测提供了一个有前途的工具.
• 这项研究有助于加强作物管理战略,加强全球粮食安全.