Zeitschrift für Pflanzenphysiologie und Pathologie

Verwendung eines Convolutional Neural Network zur Diagnose häufiger Krankheiten bei Oryza Sativa

Grace Zhang

Krankheiten, die Reispflanzen befallen, sind zu einem großen Hemmnis für den Anbau von Nutzpflanzen geworden und führen zu jährlichen Verlusten von 20 bis 40 % der Reisernte. Dies hat zu einer stärkeren Abhängigkeit von anderen Nutzpflanzen und einer erhöhten Nahrungsmittelunsicherheit in Entwicklungsländern geführt. Darüber hinaus mangelt es vielen Landwirten an Wissen und Ressourcen, um die verschlimmernde Wirkung von Krankheitserregern auf Reispflanzen einzudämmen. Ein wichtiger Schritt zur Verringerung dieser Wirkung ist die Bereitstellung einer effektiven und zuverlässigen Diagnose. Im letzten Jahrzehnt haben Faltungsneuronale Netze (CNN) aufgrund ihres Erfolgs in der Diagnosetechnologie an Popularität gewonnen. Ziel dieses Projekts war die Erstellung eines effektiven CNN-Modells, das Bildklassifizierung zur Diagnose von Bildern erkrankter Reispflanzen verwendet. Im Rahmen des Experiments wurden vier Klassen identifiziert, darunter Reisbrand, Blattscheidenfäule und Braunfleckenkrankheiten. Ein Datensatz gesunder Reispflanzen wurde im CNN auch als Kontrollvariable verwendet. Über 3000 Bilder von Reispflanzen wurden in das neuronale Netz eintrainiert, wobei 499 Bilder oder ungefähr 15 % im Testdatensatz verwendet wurden. Mit dem besten CNN-Modell im Testdatensatz wurde eine Genauigkeitsrate von 97,39 % erreicht. Dieses Projekt ist in armen ländlichen Gebieten anwendbar, in denen der Zugang zu Diagnosetechnologien begrenzt ist, und es zeigt, wie vielversprechend der Einsatz von maschinellem Lernen im Bereich der Pflanzenpathologie ist.