基于多通道卷积神经网络的数字图像识别植物病害

Posted 2021-04-07 植物表型资讯

点击蓝色字免费订阅，每天收到这样的好资讯

本文提出使用经典卷积神经网络（CNN）模型和多通道CNN（M-CNN）方法训练和评估PlantVillage数据集，植物表型资讯介绍如下：

植物病害被认为是影响粮食生产的主要因素之一，快速检测和识别植物病害是减少粮食损失的关键。利用深度学习技术对植物病害进行诊断可能会实现快速、低耗、高效的植物病害检测。本文提出使用经典卷积神经网络（CNN）模型和多通道CNN（M-CNN）方法训练和评估PlantVillage数据集，该数据集包含多个植物病害和54000多幅图像（分为38个病害类别和14个植物物种）。

植物病害数据集示例

结果发现，这两种方法的测量结果都比现有的最新技术更准确、速度更快并且无需使用迁移学习技术。另外， M-CNN证明了数据集的三个版本（彩色、灰度和分段）有助于提高检测准确性，为提出的人工神经网络添加相关信息。

多通道卷积网络的通用架构的说明

来源：

Abade A., S. de Almeida, A. and Vidal, F. Plant Diseases Recognition from Digital Images using Multichannel Convolutional Neural Networks. In Proceedings of the 14th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications (VISIGRAPP 2019), pages 450-458. DOI: 10.5220/0007383904500458.

 

叶绿素荧光成像应用案例 

扩展阅读：