在修改后的ResNet50基础上评估大米植物的营养缺乏
Santi Kumari Behera1, Maruthi Venkata Bala Murali Krishna Muktinutalapati2, Prabira Kumar Sethy3
1Department of Computer Science and Engineering, VSSUT Burla, Sambalpur, Odisha, India.
Open life sciences
|February 24, 2026
概括
这项研究引入了一种计算机视觉方法,使用定制的ResNet50模型从叶子图像中检测大米植物的营养缺乏. 该模型为改善作物健康和粮食安全提供了准确有效的早期解决方案.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 植物病理学 植物病理学
背景情况:
- 米是必不可少的基本食物,但营养缺乏会阻碍作物生长和粮食安全.
- 常见的原因包括土壤肥力差,pH值不平衡和不适当的肥料使用.
- 目前诊断缺陷的方法依赖于视觉检查,这可能是主观和延迟的.
研究的目的:
- 开发一种自动化系统,用于早期和准确地检测大米植物的营养缺乏.
- 利用计算机视觉和深度学习进行客观的作物健康评估.
- 通过及时干预,提高大米作物的产量和质量.
主要方法:
- 利用图像处理技术来分析大米植物的叶子.
- 定制了ResNet50深度学习模型用于图像分类.
- 训练和评估模型的原始,未增强的图像数据米植物的叶子.
主要成果:
- 在营养缺乏方面达到95.52%的高诊断准确度.
- 获得了95%的F1得分和2.24%的错误阳性率 (FPR).
- 证明了可靠的性能,MCC为0.9329和Kappa为0.8993,快速推断时间为9秒.
结论:
- 定制的ResNet50模型提供了一种高效准确的解决方案,用于早期检测大米植物营养缺乏.
- 该方法展示了深度学习在精准农业中的潜力.
- 这项技术可以通过优化大米种植,为提高全球粮食安全作出重大贡献.
