Automatic Identification of Abaca Bunchy Top Disease using Deep Learning Models

1、摘要解读

用DSLR和移动相机拍摄了3840个叶柄和叶柄图像。然后对选定的预处理图像进行增强技术、标准化技术以及形态计量和几何分析。然后使用AlexNet、ZFNet、VGG16和VGG19架构训练图像，并使用混淆矩阵从准确性、错误率和精度方面评估结果。在叶片和带有叶片的叶柄上拍摄的DSLR图像显示，除了VGG16的准确率只有83%之外，所有架构的准确率都大于90%，而在移动拍摄的图像上，与其他组相比，叶片显示出90%以上的准确率。至于精度，DSLR在叶柄上拍摄的图像显示，在四种架构中，除了AlexNet和VGG16之外，有两种模型的精度超过了90%。然而，对于移动捕获的图像，除了VGG16之外，三个模型使用叶柄图像显示出90%以上的精度。此外，该模型还可用于ABTD检测、监测和评估软件应用的开发。

2、研究方法

实验设置

第一步是通过使用DSLR和移动相机在采样点捕获有和没有疾病的阿巴卡的叶子和叶柄的图像来进行的。然后对捕获的图像进行预处理，以提高图像质量；消除不必要的失真或增强一些对训练很重要的图像特征。对清洁过的叶子图像进行形态和几何分析。为了验证可能由阿巴卡束顶病毒引起的阿巴卡叶片的物理变化，进行了形态计量和几何分析。叶柄和叶片的清洁图像被视为数据集，并接受训练。

数据集被分成三个作为训练数据集:叶子、叶柄和带有叶子的叶柄。每个数据集使用AlexNet、ZF