轻量级深度学习用于番茄病检测:趋势,挑战和边缘AI视角
Harshinisree Gunasekaran1, Sujatha Rajkumar2, Lincy Kirubhadharsini B3
1School of Biosciences and Technology (SBST), Vellore Institute of Technology (VIT), Vellore, India.
Frontiers in plant science
|March 2, 2026
概括
这项研究探讨了轻量级的深度学习和边缘人工智能,以准确检测番茄病,达到99.9%的准确性. 它提出了一个人工智能框架与微生物生物控制相结合,用于可持续的,特定区域的作物管理.
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:
- 番茄生产受到疾病的重大影响,需要有效的检测和可持续的管理策略.
- 精准农业需要先进的工具来早期诊断疾病,以减轻作物质量和产量损失.
研究的目的:
- 审查和评估轻量级深度学习模型和边缘人工智能用于番茄病检测.
- 为可持续农业提出一个综合框架,将人工智能驱动的诊断与微生物生物控制相结合.
主要方法:
- 关于深度学习模型 (CNN,变压器),优化技术 (修剪,量子化,蒸) 和可解释AI的综合文献调查.
- 使用MobileNetV2和EfficientNetB0对泰米尔纳德州普遍存在的番茄疾病进行实验验证.
主要成果:
- 在检测番茄病时,MobileNetV2和EfficientNetB0的准确率达到99.9%,宏观F1得分接近0.99.
- 开发了一个新的框架,将AI诊断与微生物生物控制建议相结合.
结论:
- 轻量级的深度学习和边缘人工智能显示出在精准农业中实用,实时检测番茄病的重大前景.
- 拟议的综合框架为具有弹性和农民友好的农业系统提供了一个环保的,特定于区域的解决方案.
