Abstrakt

Optimierung von CNN mit LSTM zur Klassifizierung und Vorhersage von Pflanzen

Anuradha Tyagi, Deepika Punj, Shilpa Sethi

Pflanzenkrankheiten sind eine echte Bedrohung für die Landwirtschaft und den Anbau auf der ganzen Welt. Krankheiten, die nicht richtig behandelt werden, führen zu einer Verringerung der Ernte. Eine frühzeitige Erkennung der Krankheit ist sehr wichtig. Dadurch wird verhindert, dass sich die Krankheit auf andere Pflanzen ausbreitet. Die Erkennung häufiger Pflanzenkrankheiten erfolgt durch direkte Beobachtung jeder Pflanze. Das Motiv hinter der Forschung ist es, die Krankheit im Frühstadium zu erkennen, um die konservative Managementtechnik zu ermöglichen, die Behandlung einzuleiten und die Ausbreitung der Krankheit auf verbleibende Pflanzen oder Blätter zu verhindern. Das vorgeschlagene Schema ist eine automatische Erkennungsanalogie, die auf Beobachtung mithilfe digitaler Bildverarbeitung basiert, die durch die Entwicklung visueller Technologie und digitaler Produkte unterstützt wird. Die Erkennung von Pflanzenkrankheiten basiert auf Blättern, die durch Insekten, Bakterien oder Pilze erkrankt sind. Das Schema vermittelt jedoch die automatische Erkennung von Krankheiten in Pflanzen und aufgetretenen Mängeln aufgrund der komplexen Natur der Krankheit. Daher verwendet das vorgeschlagene Schema zur Identifizierung von Krankheitstypdefinitionen eine Graustufe, die aus CNN (Convolutional Neural Network) und Long Short Term Memory (LSTM) besteht, mit Effizienz und Genauigkeit.