International Journal of Pattern Recognition and Artificial Intelligence·9月30日 · 周三论文智慧农业 / 农业物联网阅读 1
InResKolArno_SCO: An Efficient Plant Disease Classification Framework for IoT-Enabled Smart Agriculture
Chitoor Venkat Rao Ajay Kumar · C. Anbuananth · Pandi Chiranjeevi
International Journal of Pattern Recognition and Artificial IntelligenceDOI 10.1142/s0218001426500503
论文解读
76精选
速览
提出InResKolArno_SCO混合框架，用于物联网智慧农业中的植物病害分类。
方法
VGG16与GoogLeNet提取特征，结合粒子群与螯虾优化算法优化分类器。
发现
在健康、锈病、白粉病三分类上准确率达99.41%，仅需28秒。
机会点
可探索轻量化模型在边缘设备上的部署，并扩展至更多病害与田间复杂环境验证。
影响力16
信息增量21
专业深度17
信源权威13
时效性9
提出SCO优化InResKolArno的植物病害分类框架，准确率99.41%、28秒识别，面向IoT智慧农业实时部署，方法新颖且数据可靠，值得入选。
原文摘要
本研究提出了一种植物病害分类的混合方法，将群虾优化算法（Swarm Cray Optimization，SCO）与深度学习模型InResKolArno相结合，以应对物联网环境中的环境敏感性、高计算需求和资源受限等挑战。该流程首先收集植物病害识别数据集，随后进行图像预处理步骤，如最近邻插值和归一化，以提高图像质量。利用基于颜色的阈值分割方法分离病害区域。采用深度卷积神经网络（DCNN），具体为VGG16和GoogLeNet，进行特征提取，以获取叶片的高层特征。经SCO（粒子群优化与螯虾优化的结合）增强的InResKolArno分类器用于将叶片分为三类：健康、锈病和白粉病。该方法提高了分类准确率，并降低了基于物联网的精准农业系统中的数据传输成本。所提出的模型实现了高性能，准确率达99.41%，阳性预测值（PPV）达99.69%，仅需28秒即可识别植物病害。该混合模型具有优越的计算效率，适用于智能农业应用中的实时部署，能够有效识别植物病害，从而实现早期干预和更好的作物管理。