WSEAS TRANSACTIONS ON COMPUTER RESEARCH·9月21日 · 周一论文农业人工智能与决策模型阅读 0
Segmentation of Cactus Diseases Using Machine and Deep Learning)
Aissam El Ibrahimi · Nabil El Akchioui
论文解读
62接近精选线
速览
该研究用随机森林和多种深度学习模型对仙人掌病害进行分割诊断，并比较性能。
方法
使用20张仙人掌图像，对比RF、SVM、ANN、KNN、CNN和U-Net模型。
发现
U-Net分割准确率最高（胭脂虫98%，黑细菌软腐病94%），RF在有限数据下表现良好。
机会点
可探索小样本条件下传统机器学习与深度学习融合的病害分割方法，并扩展至更多作物和病害类型。
影响力8
信息增量18
专业深度14
信源权威12
时效性10
方法对比扎实但数据集仅20张图像，属细分作物病害识别的技术验证，产业影响有限。
原文摘要
人工智能与机器学习在植物病害检测与管理中发挥着关键作用。本研究提出了一种利用随机森林（Random Forest, RF）诊断和分割仙人掌病害的方法，并将其性能与SVM、ANN、KNN、CNN和U-Net模型进行了比较。研究使用了20张仙人掌图像数据集（10张胭脂虫病害和10张黑细菌性软腐病），图像尺寸调整为720×720像素。实验结果表明，U-Net取得了最高准确率，胭脂虫病害达到98%，黑细菌性软腐病达到94%。随机森林同样表现出强劲性能，分别达到92%和91%，优于多种传统机器学习模型。这些结果证实了U-Net在精确分割方面的有效性，以及随机森林在有限数据集下进行可靠病害检测的适用性，支持其在精准农业中的应用。