顶部>JACIII公司>fMaize：无缝图像过滤和深度传输效率。。。

单jc.php

JACII第26卷第6期第914-921页
doi:10.20965/jaciii.2022.p0914
(2022)

纸张：

过去60天的浏览量： 369

（f）玉米：一种用于真菌亚类感染的无缝图像过滤和深度传输效率Net-b0模型玉米树叶

乔内尔·亚历杭德里诺*,†罗尼·S·康塞普西翁二世**，Edwin Sybingco*玛丽亚·杰梅尔·巴科尼特*，玛丽·格雷斯·安·鲍蒂斯塔*阿格尔·A·班达拉*和Elmer P.Dadios**

*德拉萨大学电子与计算机工程系
菲律宾马尼拉1004 Malate Taft大道2401号

**德拉萨尔大学（DLSU）制造工程与管理系
菲律宾马尼拉1004 Malate Taft大道2401号

†通讯作者

收到：
2022年4月8日
认可的：
2022年6月11日
出版：
2022年11月20日
Creative Commons许可证
关键词：
CNN建模、真菌种类、机器视觉、玉米叶片疾病、转移学习
摘要

感染真菌的鉴定玉米离开并对其进行分类，以便在早期阶段进行正确的课程管理，这是有利可图的。建立一种非破坏性和低成本的玉米叶片感染分类模型大斑病（ST），玉米赤霉（捷克），以及高氏普契氏菌（PS）真菌利用图像滤波和转移学习模型。基于真菌感染对玉米叶片图像进行分类并存储在图像库中。然后对所有图像进行处理，以显示不同的强度，然后利用这些图像进行过滤。基于RGB的原始CNN模型与VGG16和EfficientNet-b0的选定预处理模型进行了比较，其中输入了未过滤和过滤的RGB图像。结果表明，带滤波图像的EfficientNet-b0模型(（f）玉米）的准确率最高，为97.63%，敏感性为97.99%，特异性为97.38，质量指数为97.68%，F评分为96.48%。因此，实验结果表明，与仅使用RGB图像的模型相比，使用过滤图像的深度转移学习模型产生了更高的准确性。因此，转移学习被证明是提高CNN图像分类准确性的一个有价值的工具。

玉米感染叶片的样本图像及其真菌的显微观察

玉米感染叶片的样本图像及其真菌的显微观察

引用本文为：
J.Alejandrino、R.Concepcion II、E.Sybingco、M.Palconit、M.Bautista、A.Bandala和E.Dadios，”（f）玉米：一种用于真菌亚类感染的无缝图像过滤和深度传输效率Net-b0模型玉米树叶，“高级计算杂志。智力。智力。通知。第26卷第6期，第914-9212022页。
数据文件：
工具书类
  1. [1] J.D.Alejandrino，“外域精准农业远程监控系统”，硕士论文，德拉萨尔大学，2021年。
  2. [2] M.L.Russo等人，“作为玉米内生真菌引入的昆虫病原真菌对入侵秋季粘虫Spodoptera frugiperda的发育、繁殖和食物偏好的影响”，《害虫科学杂志》，第94卷，第3期，第859-870页，doi:10.1007/s10340-020-01302-x，2021年。
  3. [3] G.P.Munkvold等人，“第9章-玉米中的霉菌毒素：发生、影响和管理”，S.O.Serna-Saldivar（编辑），“玉米：化学和技术，第3版”，第235-287页，Elsevier，doi:10.1016/B978-0-12-811971-6.0009-7，2018年。
  4. [4] M.Noor等人，“玉米形态和产量性状的遗传力和相关性分析”，植物生物学杂志。《作物研究》，第2期，第1008-1015页，2018年。
  5. [5] J.D.Alejandrino等人，“基于集群的网络提高外域农业的互联网弹性”，IEEE第9区10人道主义技术会议（R10-HTC），doi:10.1109/R10-HTC53172.2021.96415232021。
  6. [6] I.Egusquisa等人，“真菌植物病害分类的Few-Shot技术分析和实际数据集上的聚类能力评估”，《植物科学前沿》，第13卷，第813237号，doi:10.3389/fpls.2022.8132372022。
  7. [7] Y.Meng等人，“导致真菌早期致病性的新因素大斑病感染，《分子植物病理学》，第23卷，第1期，第32-44页，doi:10.1111/mpp.131402022年。
  8. [8] D.L.Neves和C.A.Bradley，“基线敏感性玉米尾孢新型琥珀酸脱氢酶抑制剂杀菌剂吡氟醚，《作物保护》，第119卷，第177-179页，doi:10.1016/j.cropro.2019.01.0212019。
  9. [9] S.Debnath、S.Chhetri和S.Biswas，“玉米南方锈病——综述”，《当代微生物学和应用科学国际期刊》，第8卷，第11期，第855-862页，doi:10.20546/ijcmas.2019.811.101，2019年。
  10. [10] S.Kaur、S.Pandey和S.Goel，“通过叶片图像进行植物疾病识别和分类：一项调查”，《工程计算方法档案》，第26卷，第2期，第507-530页，doi:10.1007/s11831-018-9255-62019。
  11. [11] D.Singh、N.Jain、P.Jain等人，“PlantDoc:可视化植物病害检测数据集”，Proc。第七届ACM IKDD CoDS和第二十五届COMAD，第249-253页，doi:10.1145/3371158.33711962020。
  12. [12] J.D.Alejandrino等人，“智能监测系统的基于应用程序的集群和连接特定路由协议”，IEEE第12届拟人、纳米技术、信息技术、通信和控制、环境与管理国际会议（HNICEM），doi:10.1109/HNICEM51456.2020.94001072020。
  13. [13] M.Gandhi、J.Kamdar和M.Shah，“用于边缘检测的非对称图像预处理”，增强人体研究，第5卷，第10篇，doi:10.1007/s41133-019-0030-52020。
  14. [14] R.S.Concepcion II等人，“基于使用耦合彩色超像素和多重流域变换的植物形态变化的莴苣生长阶段识别”，《智能信息学进展国际期刊》，第6卷，第3期，第261-277页，doi:10.26555/ijain.v6i3.4352020。
  15. [15] L.Li等人，“基于注意力的青光眼检测的大规模数据库和CNN模型”，IEEE Trans。医学成像，第39卷，第2期，第413-424页，doi:10.1109/TMI.2019.29272262020。
  16. [16] G.Vrbančić和V.Podgorelec，“自适应微调的迁移学习”，IEEE Access，第8卷，196197-196211页，doi:10.1109/ACCES.2020.30343432020。
  17. [17] J.D.Alejandrino等人，“利用自组织映射描绘多径集群的地图”，P.Vasant、I.Zelinka和G.W.Weber（编辑），智能计算与优化（ICO 2021），《网络与系统讲义》，第371卷，第417-426页，doi:10.1007/978-3-030-93247-3_412022。

Creative Commons许可证 本文发表于知识共享署名NoDerivatives 4.0国际许可。

*该网站是基于HTML5和CSS3为现代浏览器设计的，例如Chrome、Firefox、Safari、Edge和Opera。

上次更新日期：2024年6月19日