XiaoMi-AI文件搜索系统
World File Search SystemGoogLeNet
基于深度CNN的性能比较分析...
脑瘤是最危险和最具破坏性的疾病之一。晚期脑癌的死亡率更高。此外，脑瘤的误诊会产生危险并降低患者的生存机会。脑瘤的早期诊断有助于通过提供正确的治疗来挽救患者的生命。磁共振成像 (MRI) 和计算机断层扫描 (CT) 等计算机辅助医学成像技术有助于诊断疾病。因此，近年来，脑 MRI 分类成为一个活跃的研究领域。早期已经提出了许多用于 MRI 分类的方法，从经典方法到先进的深度学习 (DL) 算法，例如卷积神经网络 (CNN)。传统的机器学习 (ML) 技术需要手工制作的特征，而 CNN 通过卷积和池化层的参数调整直接从未处理的图像中提取特征来进行分类。使用 CNN 算法的特征提取主要受训练过程图像大小的影响。如果训练数据集大小较小，CNN 模型在某个时期后会过度拟合。因此，迁移学习技术得到了发展。在所提出的系统中，使用五种迁移学习架构（例如 AlexNet、Vgg16、ResNet18、ResNet50 和 GoogLeNet）进行五项研究，将脑 MRI 的临床数据集分类为良性和恶性。在脑 MRI 上应用数据增强技术来推广结果并减少过度拟合的可能性。在这个提出的系统中，经过微调的 AlexNet 架构分别实现了最高的精度、召回率和 f 测量值 0.937、1 和 0.96774。
引用Daranagama Das和Takeuchi W（2025）智能手机应用于在油棕中检测和可视化基础茎腐病阶段。正面。 r
农产品，使其成为满足各种需求的首选。此外，棕榈油发挥了至关重要的经济作用，对生产国，尤其是马来西亚和印度尼西亚的国内生产总值（GDP）做出了重大贡献（Jazuli等，2022）。为了确保一致的生产并支持其经济重要性，油棕行业的可持续性至关重要（Siddiqui等，2021）。油棕种植园面临各种植物疾病和害虫的显着威胁，由真菌Ganoderma Boninense引起的基础茎腐病（BSR）是最关键的挑战，尤其是在马来西亚和印度尼西亚（Baharim等人，2024年，2024年； Liaghat等人； Liaghat等人，2014年）。BSR显着降低了产量，通常会降低50％至80％，并且可能在成熟的油棕架上导致高达80％的死亡率到其25年寿命的中点（Murphy等，2021）。年轻的棕榈通常在显示症状的6 - 24个月内屈服，而成熟的棕榈也可以额外生存2 - 3年（Siddiqui等，2021）。病原体感染了树干的木质部，破坏了水和营养分布。这会导致症状，例如黄色和坏死叶，未打开的长矛，冠层尺寸减小以及特征性的裙子状冠状形状（Baharim等，2024）。然而，这些叶面症状通常出现在感染的晚期阶段，使得早期发现很难（Baharim等，2024）。最大程度地减少BSR的影响仍然是产生油棕国家的主要挑战，尤其是马来西亚和印度尼西亚（Baharim等，2024）。，例如，Maeda-Gutiérrez等。早期发现BSR感染可以及时治疗感染的油棕，从而防止了对树的进一步损害（Husin等，2020）。BSR检测可以大致分为三种方法：手动，基于实验室和远程技术（Husin等，2020）。传统的手动方法涉及劳动密集的视觉检查，这些视觉检查通常对大型种植园而言通常不具体（Husin等，2020）。相比之下，实验室程序，例如Ganoderma选择培养基（GSM），聚合酶链反应（PCR）和与多克隆抗体（ELISA-PABS）的酶连接的免疫吸附测定是时间耗时，昂贵，并且缺乏精确。此外，这些方法通常只有在疾病已经明显升级时才产生结果（Bharudin等，2022； Tee等，2021）。遥感技术包括基于基的方法，例如陆层激光扫描（Husin等，2020）和电子鼻系统（Abdullah等，2012），以及基于UAV的成像（Ahmadi等，2023; Baharim等，2023）和Satellite Platferal（2021）和2021的空中方法。然而，这些方法通常面临诸如高运营成本，有限的空间解决方案以及在广泛采用方面的困难之类的挑战。这强调了对早期检测BSR的更快，更具成本效益的方法的关键需求（Bharudin等，2022）。深度学习的进步在各种计算机视觉任务中取得了巨大的成功，尤其是在图像分类中（Barman等，2024）。同样，Ahad等人。卷积神经网络（CNN）已成为视觉识别的主要结构（Barman等，2024）。（2020）评估了五个CNN模型，包括Alexnet（Krizhevsky等，2012），Googlenet（Szegedy等，2015），Inception v3（Szegedy等，2016），2016年），Resnet 18和Resnet 18，and Resnet 50（He He et and for Goognet coogne for Anee for Sneas and and and and and and nine nine nine nine nine nine nine nine nine nine nine类型， 99.72％。（2023）证明了CNN对水稻疾病分类的潜力，其中一个集合框架（DEX）
改进的有效网植物质量分级
排序。这不仅需要巨大的劳动力费用，而且还产生了各种质量的蔬菜，从而导致总体质量降低，否则可以占据优惠的市场价格。此外，以降低的成本获取和包装具有更高市场价值的蔬菜，这直接影响了总体销售价格，不适合大规模生产。与传统的手动检测，识别和分类技术相比，利用计算机愿景进行图像识别，检测和分类不仅可以提高效率，而且还可以提高准确性。目前，计算机视觉技术被广泛用于蔬菜和水果的分类，植物和作物害虫的鉴定以及不完整的片剂的识别，这些片剂可以迅速找到和识别检测中所需的特征；这实现了更有效和经济的提取。对评估农产品视觉质量的计算机视觉技术的探索是在生产的早期阶段进行的，从而产生了可观的结果。主要重点是检查谷物，干果，水果，鸡蛋和类似物品。这导致了值得称赞的结果。这还提供了新的想法和蔬菜图像识别方法的理论可行性。这可以节省人力和物质资源，从而降低人工成本，提高蔬菜分级的性能以及加快蔬菜分级的速度。近年来，随着图像识别领域的深度学习技术的重大突破，由VGGNET，GOGLENET，RESNET等代表的卷积神经网络模型不仅取得了重大成就（在广泛的计算机视觉挑战中取得了实现），而且还在众多的众多学者中实现了众多的众多学者，并在其他方面进行了分类和分类。因此，为了减少对蔬菜质量等级进行分类所需的人力，物质资源和成本，本文提出了一种基于深度学习的蔬菜质量分级方法，建立了蔬菜分级图像数据集，随后提出了改进的蔬菜质量级别的改进的有效网络模型（Ca-foricednet-CBAM）。