基于端到端深度学习的马铃薯叶片病害预测框架

简介：
本研究提出了一种基于端到端深度学习技术的创新性预测模型，专门用于识别和分类马铃薯叶片病害。该框架通过高效地分析图像数据来实现早期准确诊断，助力作物健康管理与病害防控策略优化。 农业生产力在全球经济发展和增长中扮演着至关重要的角色。当农作物遭受疾病侵袭时，会对一个国家的经济资源及农业生产造成负面影响。及时发现作物病害可以最大限度地减少农民损失并提高产量。在本研究中，我们提出了一种新的混合深度学习模型，旨在自动预测马铃薯叶部病害。该框架包括图像采集、预处理、分割、特征提取和融合以及分类等步骤。 为了训练和评估PLDPNet（即提出的模型），我们使用了一个公共的马铃薯叶片数据集，其中包含了早疫病、晚疫病及健康叶片的数据。通过利用分割与融合特征的优势，该方法实现了98.66%的整体准确率和96.33%的F1得分。此外，在验证研究中分别达到了96.42% 和 94.25% 的高精度。 这些实验结果表明，所提出的混合框架为马铃薯作物病害检测与预测提供了一种更有效且更准确的方法，使其具有实际应用的价值和潜力。