Erkennung und Prävention von Krankheiten bei Baumwollpflanzen durch Deep Learning und Bildverarbeitung

Einer der wichtigsten Aspekte der Agrarwirtschaft ist die Produktion von Baumwolle, die durch Krankheiten bedroht wird, die die Qualität und den Ertrag der Ernte verringern. Konventionelle Techniken zur Diagnose von Krankheiten sind häufig subjektiv und arbeitsintensiv. Diese Arbeit präsentiert eine neuartige Methode zur automatischen Erkennung und Prävention von Krankheiten bei Baumwollpflanzen, die Deep Learning-Techniken nutzt. Ein Modell eines Convolutional Neural Network (CNN) wird mit einem Datensatz trainiert, der verschiedene Fotos von gesunden und kranken Baumwollpflanzen enthält. Das vorgeschlagene Modell bietet eine zuverlässige und zeiteffiziente Lösung, indem es eine hohe Genauigkeit bei der Unterscheidung zwischen verschiedenen Krankheiten zeigt. Darüber hinaus wird proaktive Krankheitskontrolle durch die Integration von Echtzeitüberwachungssystemen ermöglicht, wie z.B. Drohnen, die mit hochauflösenden Kameras ausgestattet sind. Eine frühzeitige Erkennung verringert den Bedarf an Breitbandantibiotika, indem sie die sofortige Anwendung von präventiven Maßnahmen, wie gezielten Therapien, ermöglicht. Schließlich führen wir eine umfassende computergestützte Analyse von acht modernen Objekterkennungsalgorithmen auf dem Baumwollpflanzendatensatz durch, um Krankheiten auf den Blättern zu identifizieren, und sieben moderne Klassifikationsalgorithmen auf den Baumwollpflanzendatensätzen, um festzustellen, ob ein Blatt krank ist oder nicht. Die berechneten Ergebnisse zeigen eine hohe Genauigkeit bei der Objekterkennung.