초기 식물 질병 탐지는 질병 진행을 완화하고 작물에 미치는 부정적인 영향을 피하는 데 중요합니다. 따라서 본 연구에서는 초기 식물 잎 질병 탐지를 위한 Ceta‐Coyote 보정 딥 컨볼루션 신경망(CtCODCN)을 제안합니다. 구체적으로 제안된 접근법은 CtCODCN의 고유한 특징 추출 능력을 활용하고 특징 간의 복잡한 관계를 효과적으로 학습하여 질병 탐지를 개선합니다. 또한 Ceta‐Coyote 최적화(CtCO)는 CtCODCN의 하이퍼파라미터를 적응적으로 미세 조정하여 전체 탐지 정확도를 향상시킵니다. 추가로, 지역 이진 및 삼진 잔여 웨이브렛(LBTRW) 접근법은 웨이브렛 특징, 지역 이진 패턴(LBP), 지역 삼진 패턴(LTP) 및 잔여 네트워크-101(ResNet-101)을 활용하여 작은 강도 변화를 포착함으로써 질감 및 색상 데이터를 추출합니다. 더 나아가 제안된 접근법은 식물 질병 탐지의 계산 복잡성과 오류율을 최소화하기 위한 고급 메커니즘을 활용합니다. 광범위한 실험을 통해 제안된 CtCODCN 모델의 효과성을 입증하였으며, 실제 토마토 이미지를 사용하여 98.270%의 정확도, 98.680%의 민감도, 97.04%의 특이도를 달성했습니다. 또한, 실제 대두 이미지를 사용하여 96.39%, 99.64%, 96.14%의 메트릭 값을 얻어 제안된 모델의 최적화된 성능을 입증하였습니다.
Sankhe et al. (Sun,)는 이 질문을 연구했습니다.