Zeitschrift für Agrarwissenschaft und Lebensmittelforschung
Offener Zugang

Abstrakt

Erkennung von Pflanzenkrankheiten durch fortschrittliche Convolutional Neural Networks mit Region of Interest Awareness

Maschinelles Lernen; Deep Learning; Erkennung von Pflanzenkrankheiten; Deep CNN; Interessenbereich

Das Aufkommen von Deep Learning hat den Weg für effizientere Computer Vision-Anwendungen geebnet. Bei der Überwachung landwirtschaftlicher Nutzpflanzen mit technologiegetriebenen Ansätzen ist die Erkennung von Pflanzenkrankheiten unverzichtbar. Aktuelle Forschungsergebnisse zeigen, dass Convolutional Neural Network (CNN) die am besten geeignete Deep Learning-Methode ist, um Blattbilder zur Erkennung von Krankheiten zu verarbeiten. Da Symptome von Blattkrankheiten in bestimmten Bereichen auftreten, ist die Berücksichtigung des gesamten Blattes für die Verarbeitung mit höheren Rechenkosten und -zeiten verbunden, außerdem verschlechtert sich die Leistung aufgrund unzureichender Trainingsqualität. Um dieses Problem zu lösen, haben wir ein Framework vorgeschlagen, das die Extraktion von Regionen von Interesse (ROI) mithilfe von Deep CNN vor der Vorhersage vorab trainierter Deep Learning-Modelle wie VGG13, ResNet34, DenseNet19, AlexNet, Sqeezenet1_1 und Inception_v3 berücksichtigt. Ein Algorithmus namens ROI Feature Map Creation (ROI-FMC) wird definiert, um ROI für ein gegebenes Eingabebild zu extrahieren. Dies wird als Eingabe für einen anderen vorgeschlagenen Algorithmus verwendet, nämlich ROI-basiertes Deep CNN mit Transfer Learning für die Vorhersage von Blattkrankheiten (ROIDCNN-LDP). Letzterer wird zur Vorhersage von Blattkrankheiten verwendet. Der Plant Village-Datensatz wird für empirische Studien verwendet. Die experimentellen Ergebnisse zeigten, dass alle Modelle mit ROI-Bewusstsein eine gute Leistung erbringen könnten. Inception_v3 ist jedoch das Deep-CNN-Modell, das andere Modelle übertrifft.