基于迁移学习的方法的高效植物病害检测
计算机视觉与模式识别
2025-07-02 v1 人工智能
摘要
植物病害对农民和整个农业部门构成重大挑战。然而，对植物病害的早期检测对于减轻其影响、防止广泛损坏至关重要，因为疫情发生会严重影响作物的产量和质量。随着技术的进步，自动化监控和检测植物病害爆发的机会日益增多。本研究提出了一种利用迁移学习方法识别和监控植物病害的系统。具体而言，研究利用了两种最先进的目标检测模型——YOLOv7和YOLOv8。通过对植物叶子图像数据集进行微调，该系统能够准确检测Bacteria（细菌）、Fungi（真菌）和Viral（病毒）疾病，如粉锈病、角斑病、早疫病和番茄脊病毒。该模型的性能通过多项指标进行评估，包括平均精度（mAP）、F1分数、精确率和召回率，分别为91.05、89.40、91.22和87.66。结果表明，YOLOv8在其他目标检测方法中表现出卓越的有效性和效率，凸显其在现代农业实践中的潜力。该方法为植物病害的早期检测提供了一个可扩展、自动化的解决方案，促进作物产量提高，减少对手动监控的依赖，并支持可持续农业实践。
引用
@article{arxiv.2507.00070,
title = {An efficient plant disease detection using transfer learning approach},
author = {Bosubabu Sambana and Hillary Sunday Nnadi and Mohd Anas Wajid and Nwosu Ogochukwu Fidelia and Claudia Camacho-Zuñiga and Henry Dozie Ajuzie and Edeh Michael Onyema},
journal= {arXiv preprint arXiv:2507.00070},
year = {2025}
}
备注
15 pages , 4 figures. Scientific Reports 2025