A CNN-Based Approach for Leaf Disease Prediction in Smart Agriculture

方法

基于卷积神经网络，使用植物叶片病害基准数据集训练与评估。

发现

CNN优于传统机器学习方法，准确率92%、F1值93%，可支持及时干预。

机会点

可探索轻量化CNN在田间移动端实时检测，并结合多病害与早期症状识别。

植物在维持生命方面发挥着至关重要的作用，既是主要的能量来源，又能缓解全球变暖。然而，植物日益受到细菌性斑点病、晚疫病和壳针孢叶斑病等病害的威胁，严重影响作物产量和农业生产率。早期准确地检测这些病害对于有效防控病害和改善农业成果至关重要。本项目旨在开发一种基于深度学习的方法，利用卷积神经网络（CNN）检测植物叶片病害。通过利用基准数据集，所提出的CNN模型展现出优于传统机器学习技术的性能，达到了92%的准确率、89%的精确率、93%的F1分数和92.47%的召回率。结果表明，CNN在自动化病害识别方面具有显著效果，能够实现及时干预并促进可持续农业实践。