Zenodo (CERN European Organization for Nuclear Research)·10月4日 · 周日论文数字乡村与农业信息化阅读 1
Detection of Apple Plant Diseases Using Leaf Images through Convolutional Neural Network
Mohd Arshad Raza · Kiran Pandey
论文解读
67接近精选线
速览
提出ResNet+GA+CNN混合模型，用苹果叶片图像检测病害并计算病斑面积占比。
方法
ResNet提取深层特征，遗传算法优化特征集，CNN分类，苹果叶片图像数据。
发现
健康叶、黑星病、锈病、白粉病准确率分别达0.97、0.994、0.89、0.91，计算成本低。
机会点
可探索轻量化模型在田间移动端实时检测，并融合多病害严重度分级与产量损失预测。
影响力12
信息增量18
专业深度16
信源权威12
时效性9
基于ResNet+GA+CNN的苹果叶病识别研究，准确率数据具体，方法有增量，但属实验室论文，产业影响有限。
原文摘要
植物病害对农业产生重大的社会、生态和经济影响，并经常给农民带来巨大的经济损失。因此，早期且精确的病害检测对于高效的作物管理至关重要。近期研究强调了叶部病害的严重程度及其对产量品质的直接影响。数码相机和平板扫描仪均可用于拍摄叶片图像，但它们各有一定缺陷。尽管扫描仪提供了更安全、更可控的图像获取方式，但其速度相对较慢，且可能产生边缘阴影。本研究采用混合深度学习方法识别苹果植株叶部病害。为提高分类性能，所提方法结合了残差网络（ResNet）、遗传算法（GA）和卷积神经网络（CNN）的优势。CNN用于提取特征并分类病害，而ResNet增强了更深网络的学习效率。利用遗传算法对特征集进行优化，从而提高准确率并降低计算复杂度。该模型还计算了受影响的叶面积百分比。实验结果表明，所提方法以高准确率和低计算成本检测叶部病害，使其成为可靠且有效的精准农业解决方案。所提模型在多种叶片条件下均表现出较强的分类效率，健康叶片准确率为0.97，苹果黑星病为0.994，锈病为0.89，白粉病为0.91。