
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于自适应模糊深度学习与多模态传感器融合的植物病害检测技术
《Scientific Reports》:Adaptive fuzzy deep learning with multimodal sensor fusion for enhanced plant disease detection
【字体: 大 中 小 】 时间:2026年05月17日 来源:Scientific Reports 3.9
编辑推荐:
摘要及时准确地检测植物疾病对于提高农业生产力和促进可持续发展至关重要。本研究介绍了一种基于多模态自适应模糊技术的深度神经网络(MAF-DNN),用于植物疾病的分类。该方法结合了模糊逻辑和多模态数据融合,有效解决了农业数据集中的复杂交互作用和不确定性问题。MAF-DNN采用了一种强
及时准确地检测植物疾病对于提高农业生产力和促进可持续发展至关重要。本研究介绍了一种基于多模态自适应模糊技术的深度神经网络(MAF-DNN),用于植物疾病的分类。该方法结合了模糊逻辑和多模态数据融合,有效解决了农业数据集中的复杂交互作用和不确定性问题。MAF-DNN采用了一种强大的自适应模糊框架,并通过动态规则优化将高光谱成像数据(HID)与RGB成像数据相结合,以获取详细的光谱信息和高分辨率的视觉特征用于疾病分类。多模态融合增强了模型捕捉与植物健康相关的复杂模式的能力,从而提高了疾病分类的准确性。实验结果表明,MAF-DNN的性能优于传统模型,其准确率为97.8%,精确度为96.5%,召回率为98.2%,F1分数为97.3%。此外,其自适应设计降低了计算开销,提高了效率,并增强了大规模农业应用的可扩展性。MAF-DNN在植物疾病分类领域代表了重要的进展,为精准农业提供了一种强大且高效的解决方案。