针对实时番茄叶病检测的优化自定义卷积神经网络
计算机视觉与模式识别
2025-02-27 v1
摘要
在孟加拉国，番茄是重要的蔬菜，因其在各种烹饪应用中的多样性而备受推崇。然而，番茄的种植常受一系列疾病的阻碍，这些疾病会显著降低作物产量和品质。及早检测这些疾病对于实施及时干预和确保番茄生产的可持续性至关重要。传统的手动检查方法虽然有效，但耗费人力且容易出错。为应对这些挑战，本研究旨在开发一个基于卷积神经网络(CNN)的自动化疾病检测系统。该研究收集了来自巴哈曼比亚利亚区的番茄叶全套数据集，经过预处理以增强图像质量，然后应用于各种深度学习模型。在本研究中，自定义CNN模型实现了惊人的95.2%准确率，显著优于其他模型，分别达到77%、89.38%和71.88%。尽管其他模型表现稳健，但我们的自定义CNN模型专为番茄叶病检测优化，表现尤为突出。这些发现凸显了深度学习技术在提高番茄作物早期疾病检测方面的巨大潜力。通过利用这些先进技术，农民可以获得宝贵的见解，在疾病萌发早期进行检测，从而实现更有效的管理措施。这一方法不仅有望提升番茄产量，也有助于增强农业部门的可持续性和韧性，帮助缓解植物疾病对作物生产的冲击。
引用
@article{arxiv.2502.18521,
title = {Optimized Custom CNN for Real-Time Tomato Leaf Disease Detection},
author = {Mangsura Kabir Oni and Tabia Tanzin Prama},
journal= {arXiv preprint arXiv:2502.18521},
year = {2025}
}