农业科学与食品研究杂志
开放获取

抽象的

使用具有感兴趣区域意识的高级卷积神经网络进行植物病害检测

机器学习；深度学习；植物病害检测；深度CNN；感兴趣的区域

深度学习的出现为更高效的计算机视觉应用铺平了道路。在采用技术驱动方法进行农作物监测时，植物病害识别是必不可少的。最近的研究表明，卷积神经网络（CNN）是最适合处理叶子图像以检测疾病的深度学习方法。由于叶子疾病的症状出现在特定区域，考虑整个叶子进行处理会产生更多的计算成本和时间，并且由于训练质量不足而导致性能下降。为了克服这个问题，我们提出了一个框架，在预测预训练的深度学习模型（例如 VGG13、ResNet34、DenseNet19、AlexNet、Sqeezenet1_1 和 Inception_v3）之前，考虑使用深度 CNN 提取感兴趣区域（ROI）。定义了一种名为 ROI 特征图创建 (ROI-FMC) 的算法来提取给定输入图像的 ROI。这将作为另一个提出的算法的输入，即基于 ROI 的带有转移学习的叶病预测深度 CNN (ROIDCNN-LDP)。后者用于预测叶病。植物村数据集用于实证研究。实验结果表明，有了 ROI 意识，所有模型都能表现良好。然而，Inception_v3 是优于其他模型的深度 CNN 模型。实验结果表明，有了 ROI 意识，所有模型都能表现良好。然而，Inception_v3 是优于其他模型的深度 CNN 模型。实验结果表明，有了 ROI 意识，所有模型都能表现良好。然而，Inception_v3 是优于其他模型的深度 CNN 模型。