PranaDhanya: An Intelligent Portal for Crop Disease Diagnosis, Livestock Health Screening and Farm Decision Support

方法

ResNet9图像分类、XGBoost与随机森林，FastAPI+Spring

发现

图像模型测试准确率96%，推荐与施肥模型超98%，产量与价格回归R²约0.74-0.85。

机会点

复杂田间背景照片下模型性能下降，可研究鲁棒图像增强与真实场景泛化。

小农和边缘农户在决定作物病害、牲畜疾病、施肥和销售时机时，通常无法及时获得专家支持。本文介绍PranaD-hanya，这是一个Web门户，将六个机器学习模型置于一个基于角色的统一接口之后，服务于农户、兽医官员和管理员。两个ResNet9卷积网络分别筛查叶片图像（38种植物类别）和动物图像（11种牛、狗和山羊类别）；一个XGBoost分类器根据土壤和气象数值推荐作物；随机森林模型估算作物产量、批发价格和适宜肥料。一个FastAPI微服务将模型提供给由JSON Web令牌保护、并以PostgreSQL数据库为支撑的Spring Boot后端。在留出数据上，植物和动物图像模型的测试准确率达到96.00%，作物推荐准确率达到98.64–99.86%，肥料预测准确率达到98.99–100%，产量和价格回归器的R²分别达到0.74–0.85和0.77–0.85。我们还讨论了该系统仍存在不足的地方，尤其是对于在杂乱背景下拍摄的田间照片。