混合IGWO-Dingo优化的DeMoHybridNet模型用于多类叶病识别

《Scientific Reports》：Hybrid IGWO-Dingo optimized DeMoHybridNet model for multi-class leaf disease identification

　　

摘要

为了实现高效的作物管理，需要准确检测叶片中的植物疾病。本研究提出了DeMoHybridNet（瓶颈减少融合）算法，用于自动分类玉米、苹果、柑橘和芒果的作物疾病。输入图像经过增强和调整大小处理后，使用DenseNet-201和MobileNetV2模型提取特征。随后应用全局平均池化技术来压缩特征。这些特征通过512个特征的瓶颈层进行进一步压缩，最后通过随机森林（RF）分类器进行分类。为了进一步提高性能，采用了一种名为IGWO-DOA（改进的灰狼优化-丁戈优化算法）的混合元启发式方法来优化模型的超参数，以获得更好的收敛性和泛化能力。实验结果表明，该优化模型的分类准确率分别为：玉米98.56%、苹果98.99%、柑橘97.83%以及芒果99.35%。统计分析证实了该模型的鲁棒性和可靠性，证明了其在精准农业应用中的有效性。