相关实验视频
Updated: Jan 8, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.9K
在土豆和果叶中基于深度学习的疾病检测:CNN,AlexNet,ResNet和EfficientNet的比较研究
Utkarsh Mishra1, Ansh Pandey1, Logeswari G2
1Vellore Institute of Technology, Chennai, Tamil Nadu, India.
Scientific reports
|December 23, 2025
概括
深度学习模型使用叶子图像准确地识别土豆和果植物疾病. EfficientNet实现了最高的准确性,显示了智能农业和早期疾病检测的前景.
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:
- 准确的植物疾病检测对于全球粮食安全至关重要.
- 深度学习 (DL) 为自动化植物健康监测提供了潜力.
研究的目的:
- 开发和评估用于在土豆和果叶中自动识别疾病的DL模型.
- 为了比较四个DL架构的性能:CNN,AlexNet,ResNet和EfficientNet.
主要方法:
- 使用了两个公共数据集:PlantVillage土豆叶病和Kaggle果叶病.
- 预处理和增强图像,分成80:20列车测试集.
- 评估了四个DL架构用于多类疾病分类.
主要成果:
- 基线CNN实现了92.61%的测试准确率.
- ResNet 证明了高效的融合,其验证准确率为 96.7%.
- 效率网的表现优于其他,实现了97.8%的验证准确度,没有过拟合.
结论:
- DL模型,特别是EfficientNet,显示了植物疾病诊断的高准确性和概括性.
- 这项研究通过可扩展的智能农业解决方案支持早期整治和精准农业.
