利用人工智能对香蕉病虫害进行检测

本文旨在利用DCNN开发一个基于人工智能的香蕉病虫害检测系统，植物表型资讯介绍如下：

香蕉（Musa sp.）是世界范围内最受市场欢迎的水果之一，也是许多发展中国家的主要粮食作物。但是香蕉种植过程中会受到许多病虫害影响，因此需要找到能够及时发现香蕉病虫害的新型、快速解决方法，从而实现更有效地病虫害监测以及尽早制定应对措施。随着深度卷积神经网络（DCNN）和转移学习在各个领域的成功应用，DCNN在作物病虫害实时监测也有了新进展。本文旨在利用DCNN开发一个基于人工智能的香蕉病虫害检测系统。

香蕉病害虫检测的深度转移学习（DTL）系统概述

研究人员从非洲和印度南部多个热点地区收集了大量专家预先筛选的香蕉病虫害症状图像数据集。首先通过使用转移学习方法对三种不同卷积神经网（CNN）结构进行再训练，建立检测模型。然后利用从香蕉植株不同部位采集的图像，按照18个不同类别（按植物部位分类）建立6个不同模型。研究表明，1）与MobileNetV1相比，基于ResNet50和InceptionV2的模型表现更好；2）多数测试模型中病虫害检测准确率超过90%，能够代表香蕉病虫害检测的最新结果；3）该实验提出的模型与已发表文献中其他最先进的模型性能相当。最后，为了将来能够在移动设备上运行该模型，研究人员评估了MobileNetV1的SSD性能。

每个模型的检测类别和预期输出

在培训期间演示病害检测过程

地面实况标记图像与模型预测类别的比较

本研究中确定的最佳模型的混淆矩阵

综上所述，DCNN作为强大且易于部署的香蕉病虫害数字检测策略，能够利用一个预先训练好的病虫害识别模型，进行深度转移学习（DTL）产生准确预测网络，从而使该模型成为早期病虫害检测的有效工具。另外该研究可以进一步扩展到开发一个全自动移动应用程序，帮助发展中国家的数百万香蕉种植者。

来源：