基于卷积神经网络的水稻病害检测


发布时间:

2021-07-24

来源:

本站

作者:

PhenoTrait

农业部门在国民经济中发挥重要作用,不仅可以吸收劳动力、还可以贡献外汇。印度尼西亚是一个农业国,其大多数人口以农业为生。水稻是一种重要的栽培作物,已成为大多数人的主食。因此,无论是对国民消费还是对出口而言,大米的供应及其质量都是必须高度考虑的因素。本研究旨在利用人工智能的方法检测水稻植株中可能导致水稻减产或品质不良的病害(通过观察叶片)。

 

典型的CNN架构

 

CNN架构

 

本研究所采用的方法是卷积神经网络(CNN)。来自CNN的输入是以二维数据的形式存在的,然后在网络上以不同的权重和线性操作传播参数。CNN是一种深度学习的方法。CNN方法有很多层,即卷积层、子采样/池化层和全连通层。本研究使用不同的CNN架构来寻找最佳的精确度值。本研究选取了四种水稻叶片病害类型,每种病害类型由2239个训练图像数据和168个图像数据组成。本研究成功地实现了叶片图像病害的自动检测,其最佳训练准确率达91%。

 

(a)模型精度和(b)模型培训和验证数据丢失的图

 

来源:

I Y Purbasari, B Rahmat and C S Putra PN. Detection of Rice Plant Diseases using Convolutional Neural Network. 2021 IOP Conf. Ser.: Mater. Sci. Eng. 1125 012021.

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。