Entwicklung eines robusten CNN-Modells zur Erkennung und Klassifizierung von Mangoblattkrankheiten: Ein Ansatz der Präzisionslandwirtschaft

In den letzten Jahren haben Convolutional Neural Network (CNN)-Modelle und Deep-Learning-Techniken signifikante Aufmerksamkeit für die Erkennung von Pflanzenkrankheiten gewonnen. Trotz der Fortschritte bleibt es herausfordernd, eine hohe Genauigkeit über verschiedene Klassen hinweg zu erreichen. Bestehende CNN-Modelle haben eine moderate Genauigkeit bei der Klassifizierung einer begrenzten Anzahl von Mangoblattkrankheiten gezeigt. Daher besteht eine entscheidende Notwendigkeit, den Umfang der Präzision zu erweitern. Unsere Untersuchung führt ein CNN-Modell ein, das eine beeindruckende Genauigkeit von 99 % über acht Klassen von Mangoblattkrankheiten erreicht. Durch den Einsatz fortschrittlicher Datenverarbeitung, Bildaugmentation und Merkmalsextraktionsmethoden, die auf künstlicher Intelligenz und Deep Learning basieren, haben wir systematisch über 20 CNN-Architekturen und verschiedene Hyperparameter untersucht, um ein robustes Modell zu entwickeln. Angesichts der globalen Bedeutung des Mangobanbaus wurde unser Modell rigoros trainiert und auf Zuverlässigkeit getestet. Detaillierte Ergebnisse und Materialien sind auf GitHub verfügbar. Außerdem haben wir unser CNN-Modell in eine Android-App, "Mango-SCN", integriert, die für die einfache Verwaltung von Mangoblattkrankheiten konzipiert ist und auch von Nicht-Experten genutzt werden kann.