BMC Plant Biology· 2026Q1
Üretken Yapay Zeka, Nar Hastalığı Tespit Veri Kümelerini Geliştiriyor
A field-acquired annotated dataset for robust and generalizable pomegranate disease detection using generative learning
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
Yeni bir Çift GAN–Difüzyon üretken öğrenme sistemi, %76 sınıflandırma doğruluğu ile narlarda hastalık tespiti için çeşitli ve gerçekçi görüntüler oluşturarak temel GAN modellerini geride bıraktı.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Nar hastalığı tespiti için sentetik görüntüler oluşturmak üzere bir Çift GAN–Difüzyon üretken öğrenme sistemi geliştirildi.
- Sistem, güçlü görüntü kalitesi ve çeşitlilik metrikleri elde etti (FID: 22.40, IS: 49.75, LPIPS Çeşitliliği: %69.86).
- Üretilen veri kümesi kullanılarak nar hastalığı sınıflandırma doğruluğu %76'ya yükseldi ve temel GAN modellerini geride bıraktı.
- Yaklaşım, gerçek dünya tarımsal ortamlarında hastalık tespitinin ölçeklenebilirliğini ve güvenilirliğini artırır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Pomegranates are popular in India for their health benefits and high levels of antioxidants and vitamins. Detecting diseases in pomegranates is important for maintaining their quality. However, inconsistent dataset annotations and challenging field conditions make it difficult to collect high-quality images, limiting deep learning model performance. To address this, we introduce a Dual GAN–Diffusion-based generative learning system that creates high-quality, diverse images to improve pomegranate disease datasets. We collect and process real-time data using a GAN to generate diverse and realistic images for detecting and diagnosing pomegranate diseases. With a Fr´echet Inception Distance (FID) of 22.40, Inception Score (IS) of 49.75, LPIPS Diversity of 69.86%, and classification Accuracy of 76%, the perform The system achieved a Fr´echet Inception Distance (FID) of 22.40, Inception Score (IS) of 49.75, LPIPS Diversity of 69.86%, and classification accuracy of 76%. These results show clear improvements over baseline GAN models. This will show that our research approach can generate diverse, realistic samples, improve the system, and make healthy and diseased classification more scalable and reliable in real-world agricultural settings.
Yazarların özeti; kaynağından alınmıştır. BMC Plant Biology, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Beslenme ve Diyetetik
Nutrition and DieteticsNursing