An optimized dense convolutional neural network model for disease
recognition and classification in corn leaf
A B S T R A C T
提出了一种优化的密集卷积神经网络(CNN)体系结构(DenseNet)，用于玉米叶片病害的识别和分类。玉米是世界上种植最多的谷物之一。玉米作物对某些叶病高度敏感，如玉米普通锈病、玉米灰斑病和北方玉米叶枯病非常常见。这些叶病的症状在它们的初期阶段是无法区分的。因此，目前的研究提出了一种通过深度学习来监测作物健康状况的解决方案，这将导致作物产量和质量的提高。优化后的DenseNet模型的精度达到了98.06%。此外，与现有的各种CNN(如EfficientNet、VGG19Net、NASNet、Xception Net)相比，它使用的参数明显更少。通过考虑两个质量指标(时间和精度)，将优化后的DenseNet模型的性能与当前CNN体系结构进行了对比。研究表明，优化后的DenseNet模型在参数和计算时间都大大减少的情况下，性能接近于已建立的CNN体系结构。
1. Introduction
农业部门正在不同领域采用人工智能和机器学习，包括疾病检测、土壤监测、杂草控制、诊断害虫、计算机视觉和用于作物分析的无人机，以及天气预报。农业是印度经济最重要的部门，占GDP的18% (PRSLegislative Research, xxxx)。因此，印度非常依赖于作物产量。
玉米在印度是一种很常见的作物。玉米种植在印度是必不可少的?
