深度学习在疾病检测中的应用:构建用于玫瑰叶片图像分类的系统
Mihnea ?. Georgescu,
Silviu R?ileanu,
Camelia Ungureanu,
Diana Elena Vizitiu
《Sensors》:Deep Learning for Disease Detection: Building a Leaf Image Classifier for Roses
Mihnea ?. Georgescu,
Silviu R?ileanu,
Camelia Ungureanu and
Diana Elena Vizitiu
【字体:
大
中
小
】
时间:2026年05月13日
来源:Sensors 3.5
编辑推荐:
摘要
早期且准确地检测玫瑰病害对于实现自动化植物监测和在整个作物生长周期内的及时干预至关重要。在这方面,结合机器学习的叶片图像分析为玫瑰病害检测提供了一种实用的方法。本研究测试了一个基于卷积神经网络(CNN)的二元分类框
摘要
早期且准确地检测玫瑰病害对于实现自动化植物监测和在整个作物生长周期内的及时干预至关重要。在这方面,结合机器学习的叶片图像分析为玫瑰病害检测提供了一种实用的方法。本研究测试了一个基于卷积神经网络(CNN)的二元分类框架,用于区分病叶。评估了三种架构:一种从零开始训练的轻量级CNN作为基线模型,以及两种通过迁移学习从大规模视觉识别数据集预训练的权重进行微调的残差网络模型。为了评估模型的鲁棒性,还比较了两种预处理方法:一种基于色调的轻量级叶片分离方法(可保留完整的颜色信息),以及一种不进行遮盖的灰度转换方法。在小型独立测试集上获得的实验结果表明,所有评估模型的分类性能都非常好。同时,研究结果表明,需要在更多样化的数据集上进行额外验证,以确认模型在不同光照条件、背景复杂度和植物生长阶段下的泛化能力。研究结果支持基于CNN的玫瑰病害检测方法的可行性,并强调了其集成到自动化监测工作流程中的潜力。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号