利用深度卷积模型对巴拉科咖啡叶疾病进行分类

2024-05-09 15:20:57

A B S T R A C T

本文介绍了最新的深度卷积模型(DCM)在巴拉科叶病害分类中的应用。几个选定的dcm使用迁移学习和微调，以及数据预处理和增强来执行图像分类任务。收集的数据集使用总数为4667。每一种都分为四个不同的类别，包括咖啡叶锈病(CLR)、黑孢菌叶斑(CLS)、煤烟霉菌(SM)和健康叶(HL)。dcm使用部分4023张图像进行训练，并用剩余的644张图像进行验证。训练模型VGG16、Xception和ResNetV2-152的分类结果总体准确率分别为97%、95%和91%。通过比较真实阳性率(TPR)，我们发现Xception对CLR、VGG16对SM、CLS的正确分类数最高，而ResNetV2-152对CLR的正确分类数最低。评价结果表明，使用深度卷积模型和足够的数据量，适当的微调、预处理和迁移学习可以产生有效的分类器来识别多种巴拉科叶病害。这项工作主要有助于不断发展的深度学习领域，特别是帮助农民改善他们的诊断过程，提供一个解决方案，可以自动分类巴拉科叶疾病。

Keywords
Deep learning
Convolutional neural networks
Classification
Leaf disease
Barako coffee

1. Introduction

咖啡产业对全球社会做出了巨大的贡献，在全球范围内成为仅次于原油的第二大贸易商品。
【1】据估计，它种植了150亿棵树，满足了几个国家2500万生产者的需求。在大多数亚洲地区，咖啡产业为许多家庭提供了就业机会，以满足他们的日常需求。在菲律宾，利比里亚咖啡是一种很受欢迎的咖啡变种，被称为Barako。这种广受欢迎的产品具有独特的风味和香气，引起了大多数消费者的兴

利用深度卷积模型对巴拉科咖啡叶疾病进行分类相关推荐

好像还挺好玩的GAN2——Keras搭建DCGAN利用深度卷积神经网络实现图片生成
好像还挺好玩的GAN2--Keras搭建DCGAN利用深度卷积神经网络实现图片生成注意事项学习前言什么是DCGAN 神经网络构建 1.Generator 2.Discriminator 训练思路 ...
DL之DCGAN：基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成
DL之DCGAN:基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成目录基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成设计思路 ...
吴恩达.深度学习系列-C4卷积神经网络-W2深度卷积模型案例
吴恩达.深度学习系列-C4卷积神经网络-W2深度卷积模型案例 (本笔记部分内容直接引用redstone的笔记http://redstonewill.com/1240/.原文整理的非常好,引入并添加我自 ...
基于TensorFlow2.3.0的深度卷积模型LeNet构建--在凯斯西储轴承（CWRU）数据上的简单测试（2）
文章目录 1. 实验数据集说明 2. 数据形式 3. 深度卷积模型构建与测试结果 4. 完整代码参考文献 1. 实验数据集说明凯斯西储轴承故障数据集是凯斯西储大学制作的一个球轴承故障诊断公开数据集 ...
LiFi用于罗马巴拉科博物馆
巴拉科博物馆是一座位于意大利罗马的博物馆,收藏了收藏家乔瓦尼-巴拉科(Giovanni Barracco)的作品,他于1902年将其收藏品捐赠给罗马市.在这些作品中,有埃及.亚述和腓尼基艺术,以及古典 ...
利用深度学习模型预测双色球
1.前言深度学习模型可以简单理解为一个高度非线性的复合函数,网路输入可以看作自变量x,输出可以看作因变量y.看过网上其他人做的一些双色球预测,基本上是基于BP神经网络(也就是全连接神经网络)和LST ...
吴恩达《卷积神经网络》精炼笔记（2）-- 深度卷积模型：案例研究
AI有道不可错过的AI技术公众号关注 1 Why Look at Case Studies 本文将主要介绍几个典型的CNN案例.通过对具体CNN模型及案例的研究,来帮助我们理解知识并训练实际的模型 ...
Coursera吴恩达《卷积神经网络》课程笔记（2）-- 深度卷积模型：案例研究
红色石头的个人网站:redstonewill.com <Convolutional Neural Networks>是Andrw Ng深度学习专项课程中的第四门课.这门课主要介绍卷积神经网 ...
吴恩达深度学习4.2笔记_Convolutional Neural Networks_深度卷积模型
版权声明:本文为博主原创文章,未经博主允许不得转载. https://blog.csdn.net/weixin_42432468 学习心得: 1.每周的视频课程看一到两遍 2.做笔记 3.做每周的作业 ...

最新文章

热门文章