Verbesserung der Erkennung von Maisblattkrankheiten mittels Cat Swarm Optimization mit einem Deep Learning-Modell

Künstliche Intelligenz (KI) wurde für verschiedene Anwendungen eingesetzt, darunter Kommunikation, Medizin, Objektnachverfolgung und Objekterkennung. Die wichtigste Kulturpflanze der Welt, die Maisernte, ist von verschiedenen Arten von Krankheiten betroffen, die die Qualität beeinträchtigen und ihren Ertrag verringern können. Klassische Ansätze des maschinellen Lernens (ML), wie Klassifizierung und Merkmalsbeschreibung, machen umfangreich Gebrauch von der Erkennung von Pflanzenkrankheiten. Diese Techniken können Merkmale aus Bilddatensätzen extrahieren, wie Form, Farbe und Textur, um einen Klassifikator zu trainieren, der zwischen kranken und gesunden Pflanzen unterscheiden kann. Deep Learning (DL) und KI-basierte Ansätze werden in der landwirtschaftlichen Forschung zunehmend eingesetzt, aufgrund ihrer Fähigkeit, die tiefen Merkmale automatisch aus den Bildern zu lernen, und auch weil ihre Geschwindigkeit und Genauigkeit im Vergleich zu klassischen Methoden erhöht sind. Diese Studie schlägt eine neuartige Methode zur Erkennung von Maiblattkrankheiten vor, die Cat Swarm Optimization mit DL (MLDD-CSODL) einsetzt. Die vorgeschlagene Technik umfasst verschiedene Phasen, beginnend mit der Kontrastverbesserung zur Verbesserung der Eingangsbildqualität. Die Merkmalsextraktionsphase wendet Capsule Network an, einen DL-Algorithmus, der für seine Fähigkeit bekannt ist, hierarchische Beziehungen zwischen Merkmalen zu erfassen. Um die Hyperparameter des Modells zu verbessern, wird Cat Swarm Optimization (CSO) verwendet, was die Gesamtleistung und Effizienz steigert. Die letzte Klassifikationsphase wendet XGBoost an, einen robusten ML-Klassifikator, um korrekt maize Blattkrankheiten gemäß den extrahierten Merkmalen zu kategorisieren und zu identifizieren. Dieser umfassende MLDD-CSODL-Algorithmus zielt darauf ab, die Geschwindigkeit und Präzision bei der Erkennung von Krankheiten in Maiskulturen zu erhöhen, und bietet eine potenzielle Lösung für frühzeitige Intervention und besseres landwirtschaftliches Management.