.png){kind=icon}
返回
Efficient Olive Leaf Disease Detection Using Composite Feature Selection and Ensemble Learning
.png){kind=icon}
OA
AI
DOI：10.3390/agronomy16111057.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
早期可靠地检测植物病害对于维持农业生产力并减少经济损失至关重要。在橄榄栽培中，孔雀眼病通过损害叶片健康和作物产量构成严重威胁。尽管深度学习模型在植物病害检测中表现出色，但其对高维特征表示的依赖往往导致计算成本增加和现实农业环境中的部署受限。本研究提出了一种高效且稳健的橄榄叶片病害分类框架，该框架集成了深度特征提取、设计的复合滤波器特征选择和集成学习。使用迁移学习从橄榄叶片图像中提取深度特征，采用ResNet101和MobileNet架构。为解决特征冗余和计算低效问题，采用多种基于滤波器的选择策略（包括互信息、卡方检验、F分数以及五种设计的复合选择器（分数融合、并集、交集、混合和类别级过滤））生成固定大小（32、64和128个特征）的紧凑且信息丰富的特征子集。在分层5折交叉验证下，使用k-NN、SVM和LightGBM分类器评估所选特征。实验结果表明，在显著降低特征维度的同时，仍能实现具有竞争力的性能。特别是仅使用128个精选特征时，所提方法达到最高0.988的准确率和0.976的MCC，其性能与使用完整深度特征向量的结果相近。此外，基于投票的集成策略（包括迭代多数投票和混合遗传算法–贝叶斯优化融合）进一步提升了稳健性，在所有评估的集成配置中实现了最高的平均准确率0.9916。这些发现凸显了所提复合滤波器选择和集成框架作为实用、轻量且精确的橄榄叶片病害检测解决方案的有效性，适用于精准农业和资源受限环境。
Keyword:
olive leaf disease detection
peacock eye disease
deep feature selection
composite filter methods
ensemble learning
期刊
A
IF:
0
论文数:
2.4K
被引数:
0
机构
引用论文
Efficient and autonomous detection of olive leaf diseases using AI-enhanced MetaFormer利用AI增强型MetaFormer进行高效自主的橄榄叶病害检测
OAAI
OAAI分享收藏Efficient Olive Leaf Disease Detection via Hybrid Artificial Rabbit Optimization and Genetic Algorithm-Based Deep Feature Selection基于混合人工兔子优化和遗传算法的深度特征选择的高效橄榄叶病害检测.png)
AgricultureOAAI
AgricultureIF3.6
OAAI分享收藏XAI-Powered Smart Agriculture Framework for Enhancing Food Productivity and SustainabilityXAI支持的智能农业框架，用于提高粮食生产力和可持续性IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Automatic Olive Peacock Spot Disease Recognition System Development by Using Single Shot DetectorOAAI
OAAI分享收藏Amara, J.; König-Ries, B.; Samuel, S. Explainability of deep learning-based plant disease classifiers through automated concept identification. arXiv 2024, arXiv:2412.07408. [Google Scholar] [CrossRef]Amara, J.; König-Ries, B.; Samuel, S. 基于深度学习的植物病害分类器的可解释性通过自动化概念识别实现。arXiv 2024, arXiv:2412.07408. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏
查看更多内容