一种结合残差MBi-LSTM和CNN模型的混合植物病害检测算法

《IEEE Canadian Journal of Electrical and Computer Engineering》：A Hybrid Plant Disease Detection Algorithm Using Residual MBi-LSTM With CNN Model

植物疾病检测中提出VGG16与MBi-LSTM混合模型，通过结合空间特征提取和时间序列分析，在PlantVillage和现实数据集上分别达到98.9%和96.6%的分类准确率，有效解决传统方法效率低的问题。

　　

摘要：

在印度，各种植物疾病影响着农业生产力，因此每年都会造成作物损失。及时、准确地检测所有这些疾病对于确保植物健康生长和提高产量至关重要。传统上，这需要农业专家的专业知识。然而，近年来出现了许多深度学习方法，这些方法有望利用受感染植物的图像来自动化诊断植物疾病。尽管取得了这些进展，但许多现有模型在数据随时间和地点变化时仍无法有效运行。为了解决这个问题，我们提出了一种结合VGG16和多层双向长短期记忆（MBi-LSTM）网络的模型。VGG16组件能够捕捉图像中的空间层次结构并提取特征，而MBi-LSTM层则学习图像序列中的时间关系。通过整合空间和时间信息，我们的混合方法比仅依赖空间特征的模型对视觉模式有更深入的理解。我们使用两个数据集（PlantVillage和真实世界数据集）来训练和测试我们提出的标记有植物疾病图像的模型。定量结果表明，在所有评估指标（准确性、精确度、召回率和F1分数）方面，VGG16 + MBi-LSTM模型的表现最为出色。该模型在PlantVillage数据集上的分类准确率为98.9%，在真实世界数据集上的准确率为96.6%，证明了其在实时疾病检测中的有效性。这种方法为疾病预测提供了可靠的解决方案，使农民能够在作物生长早期采取预防措施。

引言和相关工作

早期识别植物疾病是精准农业的关键方面，因为它有助于农民实现最佳的作物产量和质量[24]。如果农民采用这种预防方法，就可以确保害虫或疾病不会毁掉整个作物。由于植物疾病非常复杂，传统上这种工作一直由受过培训的专业人员使用手工工具来完成。这些方法的准确性往往不高，并且实施起来需要大量的时间和精力[25]。植物疾病对农业产业来说是一个严重的问题，因为它们会降低作物产量。如果能够及早且准确地检测到这些疾病，就可能减少由此造成的食物损失。在农业史上，经过培训的农学家已经识别并命名了许多植物疾病[18]。然而，这种方法耗时且难以理解，需要付出相当大的努力。机器学习和图像处理等方法使得快速准确地识别植物问题变得更加容易。由于这种方法不需要人工干预，因此可以大规模应用并且仍然非常有效。卷积神经网络（CNN）在许多应用中发挥着重要作用。选择用于识别植物疾病的深度学习模型将取决于所处理的数据量以及研究人员的目标[11]。与处理图片数据相比，LSTM网络在处理时间序列数据方面表现更好。深度信念网络可以处理各种类型的输入，但训练它们需要大量的计算资源[14]、[29]。最终，采用结合多种深度学习方法的混合模型可能是最有效的解决方案。