使用ResNet-101的转移学习自动检测瓜病.
Muhammad Ahmed1, Fahad Ahmed1, Naila Sammar Naz1
1School of Computer Science National College of Business Administration and Economics Lahore Pakistan.
Food science & nutrition
|December 24, 2025
概括
本研究介绍了一种使用深度学习 (DL) 和ResNet-101进行自动检测瓜疾病的AI驱动系统. 该模型达到98.48%的准确性,为现代农业提供可持续的解决方案.
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:
- 在农业中手动识别疾病是低效的,耗时的,容易出错的.
- 可持续农业需要自动化,准确的疾病检测技术.
- 瓜种植面临着疾病识别影响产量和质量的挑战.
研究的目的:
- 开发和评估深度学习 (DL) 模型,用于自动检测瓜病.
- 通过ResNet-101利用转移学习 (TL) 来提高分类准确性.
- 为植物疾病识别提供可解释和透明的AI解决方案.
主要方法:
- 使用ResNet-101架构直接进行图像分析,无需手动提取功能.
- 在3784张图像的数据集中应用数据增强,将其增加到4632张平衡图像.
- 使用规范化和大小调整预处理的数据;分为80%的培训,10%的验证和10%的测试集.
- 使用梯度加权类激活映射 (Grad-CAM) 进行可视化和可解释性.
主要成果:
- 在瓜疾病 (,果,健康) 中获得了98.48%的令人印象深刻的分类准确率.
- 模型性能使用九个关键指标进行评估,包括精度,回忆,F1得分和特异性.
- Grad-CAM可视化证实了该模型的重点是相关的疾病区域,确保了透明度.
结论:
- 使用ResNet-101进行深度学习,为自动检测瓜病提供了一个高度准确和高效的方法.
- 开发的人工智能技术是大规模农业和可持续农业实践的可行和可扩展的解决方案.
- 该模型的可解释性增强了对现实世界农业环境的信任和适用性.
