使用精准农业的Efficient-FBM-FRMNet对生菜病的基于深度学习的表型化
Parul Nasra1, Sheifali Gupta1, Mudassir Khan2,3
1Chitkara University Institute of Engineering and Technology, Chitkara University, Rajpura, Punjab, India.
Frontiers in plant science
|December 15, 2025
概括
本研究介绍了Efficient-FBM-FRMNet,这是一种用于自动检测生菜病的深度学习模型. 人工智能框架准确识别细菌和真菌感染,帮助精准农业.
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:
- 菜 (Lactuca sativa) 易受细菌和真菌疾病的影响,影响作物的产量和质量.
- 准确和快速的疾病鉴定对于有效的精准农业和可持续的作物管理至关重要.
研究的目的:
- 开发和评估Efficient-FBM-FRMNet,这是一个用于自动检测生菜病的新型深度学习框架.
- 评估该模型与已建立的卷积神经网络 (CNN) 的性能及其对现实世界的应用的潜力.
主要方法:
- 设计了一个模块化的深度学习框架,即Efficient-FBM-FRMNet,集成了EfficientNetB4与扩展卷积,特征瓶模块 (FBM),推理引擎和特征改进模块 (FRM).
- 该模型在2813张细菌,真菌和健康类的叶图像上进行了训练和验证,使用分层5倍交叉验证.
主要成果:
- 效率-FBM-FRMNet实现了97.5%的高整体准确度,超过了基本的CNN,如EfficientNetB4,ResNet50和DenseNet121.
- 该模型表现出极好的精度 (96.0%),回忆 (96.6%) 和F1得分 (97.0%),具有统计学上显著的性能增长 (p < 0.05).
- 该框架在计算上高效,具有小模型大小 (8.2 MB) 和快速推断时间 (23 ms).
结论:
- 有效的FBM-FRMNet提供了一个强大的,准确的和高效的解决方案,用于自动检测生菜病.
- 该模型的增强功能学习,可解释性和稳定性使其适合在精密农业系统中部署,包括温室监测和无人机监控.
- 这种人工智能驱动的方法有助于可持续的作物管理,使得早期和精确的疾病识别.
关键词:
深度学习是一种深度学习.扩张的卷曲 扩张的卷曲有效的NetB4 有效的NetB4功能瓶模块 (FBM) 是一个功能瓶模块.功能改进模块 (FRM) 是一个功能改进模块.检测生菜病检测生菜病检测
