基于MapReduce的深度学习框架,用于在可持续精准农业中检测马叶病

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 数据科学数据科学数据科学

背景情况:

• 马叶病严重威胁作物产量和全球粮食安全.
• 准确及时检测疾病对于最大限度地减少精准农业产量损失至关重要.

研究的目的:

• 开发和评估一个轻量级的MobileNetV3分类器,与MapReduce管道集成,以有效检测马叶病.
• 通过自动化疾病监测,提高精准农业的作物生产率和可持续性.

主要方法:

• 使用了一组数据集,包括2152张土豆叶子图像,分为三个类别.
• 一个预处理管道涉及图像大小调整,规范化和数据增强.
• 一个轻量级的MobileNetV3分类器与MapReduce风格的数据管道配对,用于并行预处理和批量推断.

主要成果:

• 该模型实现了高精度:98.6% (培训),96.9% (验证) 和96.8% (测试).
• 关键的性能指标包括测试灵敏度 (95.3%),特异性 (97.7%) 和F1-Score (96.4%).
• MapReduce管道展示了大数据集和连续图像摄入的可扩展性,在吞吐量方面表现优于单节点基线.

结论:

• 拟议的MobileNetV3和MapReduce系统为大规模农业疾病监测提供了一个可扩展和强大的解决方案.
• 这种方法显著提高了精准农业,通过准确和高效地检测土豆疾病.
• 该模型的高性能和可扩展性支持可持续农业和全球粮食安全努力.