机构名称：
¥ 1.0
Jhunjhunu，印度拉贾斯坦邦，摘要本文讨论了用于椰子植物监测的自动化疾病检测系统的发展，重点是多个机器学习技术的整合，实时检测能力，可伸缩性和适应性学习。深度学习模型，尤其是卷积神经网络（CNN），可以自主获得与疾病症状相关的图像特性。选择适当的体系结构，例如Resnet，VGG-16或EfficityNet，促进了数据中复杂模式的捕获。该研究研究了使用高分辨率图像与深度学习方法结合使用的高分辨率图像来识别和评估椰子树健康的可行性。Resnet-50模型在检测和健康分类任务中的表现优于VGG-16体系结构，表明大多数受影响的椰子树具有Ganoderma感染和钾不足。提出的方法显示了泰国椰子树管理的潜力，从而可以更有效地使用工人，而在现场花费的时间更少。为了最大程度地提高模型性能，未来的研究应旨在增加数据集的数量和多样性，包括各种视觉属性。为了更好地对健康问题进行分类，未来的研究可能会使用多光谱摄像头。通过将监督，无监督和半监督的学习方法结合起来，可以根据椰子植物监测和更广泛的应用来量身定制该系统。关键字：椰子叶，Resnet，VGG-16和CNN。
分析机器学习的椰子数据集和...
主要关键词
相关文件推荐
