TumorSageNet CNN混合架构能够准确检测果叶病理
Hritwik Ghosh1, Irfan Sadiq Rahat1, Md Zakir Hossain2
1School of Computer Science and Engineering (SCOPE), VIT-AP University, Amaravati, Andhra Pradesh, India.
Scientific reports
|February 25, 2026
概括
这项研究开发了一个深度学习框架,用于准确检测果叶病. 定制的卷积神经网络 (CNN) 模型实现了100%的准确性,有助于全球粮食安全.
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:
- 全球粮食安全受到植物疾病的威胁,需要在果等高价值作物中进行早期检测.
- 准确识别果叶病理对于有效的作物管理和产量保存至关重要.
研究的目的:
- 引入一种新的深度学习框架来对果叶病进行分类.
- 评估和比较定制的卷积神经网络 (CNN) 和混合神经架构与既有模型.
主要方法:
- 800张果叶图像的数据集使用数据增强和颜色空间转换进行了预处理.
- 评估了K-最近邻居,AlexNet,VGG16,VGG19,EfficientNet-B7,一个定制的CNN和一个混合模型 (EfficientNet-B7,LSTM,请注意).
- 使用Grad-CAM用于模型解释性和诊断热图生成.
主要成果:
- 定制的CNN模型实现了100%的准确性,精度,回忆和F1得分,超过了所有基线模型.
- 混合模型表现出可比性能,突出了空间和时间特征提取的协同作用.
- 格拉德-CAM可视化证实了模型的可靠性和可解释性.
结论:
- 拟议的深度学习框架为实时果疾病监测提供了一个可扩展,可解释和高性能解决方案.
- 农业诊断的进步可以显著改善作物监测,并为果生产地区的粮食安全做出贡献.
