深入学习基于图像的木薯病害检测

来源: 时间:2018-05-08 15:26:11 次数:

图像识别的迁移学习方法为数字植物疾病的检测提供了一种快速、可负担且易于部署的策略。

木薯是世界上人类食物碳水化合物的第三大来源,但易受病毒疾病的侵害,需要新的木薯病检测方法来支持改进的控制措施,以预防这场危机。图像识别为疾病检测提供了一种成本有效且可扩展的技术。新的深度学习模型为这项技术轻松部署在移动设备上提供了一条途径。利用坦桑尼亚野外采集的木薯疾病图像数据集,我们应用迁移学习来训练一个深层的卷积神经网络来识别三种疾病和两种类型的害虫损害(或缺失)。褐色叶斑病(BLS)的最佳训练模型精度为98%,红螨损伤(RMD)为96%,绿螨损伤(GMD)为95%,木薯褐斑病(CBSD)为98%,木薯花叶病(CMD)为96%。对于训练过程中未使用的数据,最佳模型的整体准确率为93%。

深入学习基于图像的木薯病害检测

6种原始木薯数据集图像示例。(A)CBSD,(B)健康状态,(C)GMD,(D)CMD,(E)BLS,(F)RMD.

深入学习基于图像的木薯病害检测

使用三种机器学习方法进行转移学习的整体准确性

本文研究结果表明,图像识别的迁移学习方法为数字植物疾病的检测提供了一种快速、可负担且易于部署的策略

来源:Front. Plant Sci., 27 October 2017.Deep Learning for Image-Based Cassava Disease Detection.Amanda Ramcharan, Kelsee Baranowski, Peter McCloskey, Babuali Ahmed, James Legg and David P. Hughes.