使用 LSTM 和 CNN 模型检测与分类多作物叶片病害
计算机视觉与模式识别
2025-05-05 v1 机器学习
摘要
植物病害通过降低作物产量和影响食品质量对农业构成严重挑战。早期检测和分类这些病害对于减少损失和改善作物管理实践至关重要。本研究应用卷积神经网络（CNN）和长短期记忆（LSTM）模型，使用包含 70,295 张训练图像和 17,572 张验证图像、涵盖 38 个病害类别的数据集对植物叶片病害进行分类。CNN 模型使用 Adam 优化器进行训练，学习率为 0.0001，损失函数为分类交叉熵。经过 10 个训练周期后，该模型达到了 99.1% 的训练准确率和 96.4% 的验证准确率。LSTM 模型的验证准确率达到 93.43%。使用精确率、召回率、F1 分数和混淆矩阵评估了性能，证实了基于 CNN 方法的可靠性。结果表明，深度学习模型，特别是 CNN，为准确且可扩展的植物病害分类提供了一种有效的解决方案，支持农业监测中的实际应用。
引用
@article{arxiv.2505.00741,
title = {Detection and Classification of Diseases in Multi-Crop Leaves using LSTM and CNN Models},
author = {Srinivas Kanakala and Sneha Ningappa},
journal= {arXiv preprint arXiv:2505.00741},
year = {2025}
}