Журнал сельскохозяйственных наук и пищевых исследований
Открытый доступ

Абстрактный

Обнаружение болезней растений с использованием усовершенствованных сверточных нейронных сетей с распознаванием области интереса

Машинное обучение; Глубокое обучение; Обнаружение болезней растений; Глубокая сверточная нейронная сеть; Область интереса

Появление глубокого обучения проложило путь для более эффективных приложений компьютерного зрения. В мониторинге сельскохозяйственных культур с технологическими подходами необходимо иметь идентификацию болезней растений. Недавние исследования показывают, что сверточная нейронная сеть (CNN) является наиболее подходящим методом глубокого обучения для обработки изображений листьев для обнаружения заболеваний. Поскольку симптомы болезни листьев проявляются в определенной области, рассмотрение всего листа для обработки влечет за собой большие вычислительные затраты и время, а также ухудшение производительности из-за неадекватного качества обучения. Чтобы преодолеть эту проблему, мы предложили структуру, которая учитывает извлечение области интереса (ROI) с помощью глубокой CNN до прогнозирования предварительно обученных моделей глубокого обучения, таких как VGG13, ResNet34, DenseNet19, AlexNet, Sqeezenet1_1 и Inception_v3. Определен алгоритм под названием ROI Feature Map Creation (ROI-FMC) для извлечения ROI для заданного входного изображения. Это будет предоставлено в качестве входных данных для другого предложенного алгоритма, а именно ROI на основе глубокой CNN с трансферным обучением для прогнозирования болезней листьев (ROIDCNN-LDP). Последняя используется для прогнозирования заболеваний листьев. Набор данных Plant Village используется для эмпирического исследования. Экспериментальные результаты показали, что при наличии осведомленности о ROI все модели могут работать хорошо. Однако Inception_v3 — это глубокая модель CNN, которая превосходит другие модели.