Verbesserung der Pflanzengesundheit durch Techniken des Deep Learnings

Landwirte haben aufgrund traditioneller Techniken zur Identifizierung von Blattkrankheiten mehrere Schwierigkeiten erlebt, die zu erheblichen Verlusten geführt haben. Glücklicherweise haben technologische Entwicklungen es uns ermöglicht, effektiv Geräte zur Überwachung von Blattkrankheiten zu schaffen, die bei der frühzeitigen Diagnose von Krankheiten helfen. Dieses Papier untersucht das Gebiet der Agrarschädlinge, da sie weltweit erhebliche wirtschaftliche, soziale und ökologische Verluste verursachen, was eine präzise Identifikation für die Schädlingsbekämpfung in der Landwirtschaft entscheidend macht. Eine effektive Schädlings- und Krankheitsbekämpfung erfordert eine genaue und zeitnahe Erkennung und Klassifizierung dieser Schädlinge und Krankheiten. Deep Learning-Techniken, insbesondere Convolutional Neural Networks (CNNs) und YOLOv8-Algorithmen, haben sich als äußerst genaue und effiziente Werkzeuge zur bildbasierten Erkennung von Schädlingen und Krankheiten etabliert. Mit Hilfe von CNN- und YOLOv8-Algorithmen zielt dieses Projekt darauf ab, ein robustes und effizientes System zur Erkennung und Klassifizierung von Agrarschädlingen zu schaffen. Um dieses Ziel zu erreichen, wird ein umfangreicher Datensatz mit gekennzeichneten Bildern verschiedener Agrarschädlinge und -krankheiten gesammelt und vorverarbeitet. Anschließend wird mit dem vorbereiteten Datensatz eine CNN-Architektur entworfen und trainiert, um Schlüsselmerkmale aus Bildern von Schädlingen und Krankheiten zu extrahieren und zu analysieren. Darüber hinaus wird der YOLOv8-Objekterkennungsalgorithmus verwendet, um Schädlinge und Krankheiten auf Bildern zu erkennen und zu klassifizieren. Die trainierten CNN- und YOLOv8-Modelle werden in eine benutzerfreundliche Schnittstelle integriert, die Landwirten und landwirtschaftlichen Fachleuten ermöglicht, Schädlinge und Krankheiten in ihren Feldern zu erkennen und zu identifizieren. Die Leistung des vorgeschlagenen Systems wird anhand von Metriken wie Genauigkeit, Präzision, Rückruf und mittlerer durchschnittlicher Präzision (mAP) gemessen. Die erfolgreiche Entwicklung dieses Systems zur Erkennung und Klassifizierung von Agrarschädlingen wird Landwirten ein wertvolles Werkzeug zur rechtzeitigen und genauen Identifizierung von Schädlingen und Krankheiten an die Hand geben, was letztlich zur Verbesserung der Pflanzengesundheit, der Erträge und der landwirtschaftlichen Produktivität beiträgt.