基于密集卷积神经网络的多类植物病害检测与分类

2024-04-16 14:56:49

1、摘要

提出的基于深度学习的系统能够高效、准确地对各种类型的植物叶片进行分类。实验结果表明，在复杂背景条件下的不可见图像上，平均交叉验证准确率为99.58%，平均测试准确率为99.199%。处理单个植物叶片图像的处理时间为0.016秒，具有显著的准确性，这表明其实时性能。

2、研究介绍

【1】长期以来，支持向量机(SVM)被用于识别各种植物疾病，如葡萄叶疾病(Padol和Yadav，2016年)、马铃薯枯萎病(Patil等人，2017年)、棕榈油叶疾病(Masazhar和Kamal，2017年)等。
【2】在另一种基于深度学习的方法中，使用高效网络架构(Tan和Le，2019)进行植物叶部疾病分类，并使用不同品种的实验室图像使用转移学习来训练模型(Atila等人，2021)。
【3】基于深度学习模型的细菌学检测总体准确率达到98.75%。开发了一个名为PD2 SE-Net的计算机辅助网络，用于检测不同的植物病害及其严重程度的估计(梁等人，2019年)。

3、数据集

PlantVillage +latest iBean leaf image dataset (AIR Lab
Makerere University, 2020)+ citrus leaf images (Rauf et al., 2019)https://data.mendeley.com/datasets/3f83gxmv57/2+rice leaf images (Prajapati et al., 2017)

基于密集卷积神经网络的多类植物病害检测与分类相关推荐

基于三维卷积神经网络的RGB-D显著目标检测
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达小白导读论文是学术研究的精华和未来发展的明灯.小白决心每天为大家带 ...
基于深度卷积神经网络的小样本分割算法综述
↑ 点击蓝字关注视学算法来源丨AI算法修炼营编辑丨极市平台介绍深度卷积神经网络在图像分类.目标检测.语义分割等许多视觉理解任务上都取得了重大突破.一个关键的原因是大规模数据集的可用性,比如 ...
基于深度卷积神经网络的目标检测研究综述
基于深度卷积神经网络的目标检测研究综述人工智能技术与咨询来自<光学精密工程> ,作者范丽丽等摘要:作为计算机视觉中的基本视觉识别问题,目标检测在过去的几十年中得到了广泛地研究.目标检 ...
Python深度学习实例--基于卷积神经网络的小型数据处理（猫狗分类）
Python深度学习实例--基于卷积神经网络的小型数据处理(猫狗分类) 1.卷积神经网络 1.1卷积神经网络简介 1.2卷积运算 1.3 深度学习与小数据问题的相关性 2.下载数据 2.1下载原始数据 ...
基于深度卷积神经网络进行人脸识别的原理是什么？
原文:https://www.zhihu.com/question/60759296 基于深度卷积神经网络进行人脸识别的原理是什么? 这里的人脸识别包括但不限于:人脸检测,人脸对齐,身份验证识别,和表 ...
腾讯多媒体实验室：基于三维卷积神经网络的全参考视频质量评估算法
腾讯有多个视频业务线,点播视频有腾讯视频.企鹅影视,短视频有微视.K歌,直播类有Now直播.企鹅电竞,实时传输类有QQ和微信的音视频通话.无线投屏和腾讯会议等. 用户对不同的产品有不同程度的期待:比如 ...
基于深度卷积神经网络（D-CNN）的图像去噪方法
基于深度卷积神经网络的图像去噪方法摘要:图像去噪在图像处理中仍然是一个具有挑战性的问题.作者提出了一种基于深度卷积神经网络(DCNN)的图像去噪方法.作者设计的不同于其他基于学习的方法:一个DC ...
基于一维卷积神经网络的滚动轴承故障识别
基于一维卷积神经网络的滚动轴承故障识别文章目录基于一维卷积神经网络的滚动轴承故障识别一.数据预处理二.模型构建三.模型训练四.模型测试总结一.数据预处理采用美国凯斯西储大学(CWRU ...
3D点云初探：基于全卷积神经网络实现3D物体识别
基于全卷积神经网络实现3D物体识别一.从2D图像识别到3D物体识别二.ModelNet10:3D CAD数据集 1.存储格式 2.读取方法 3.点云可视化可视化工具 plt可视化 4.数据集定义 ...

最新文章

热门文章