Segmentación mejorada de enfermedades en hojas de pera a través de una red de atención a escala múltiple

Área de la Ciencia:

• Ciencias Agrícolas
• Visión por computadora
• Aprendizaje automático

Sus antecedentes:

• La segmentación precisa de las enfermedades de las hojas de pera es crucial para una gestión agrícola eficaz.
• Los desafíos incluyen variaciones en la apariencia de la enfermedad, la iluminación y la progresión.

Objetivo del estudio:

• Desarrollar un modelo avanzado de aprendizaje profundo para una segmentación precisa de las enfermedades de las hojas de pera.
• Abordar las limitaciones de los métodos existentes en el manejo de variaciones visuales complejas.

Principales métodos:

• Se ha propuesto la EBMA-Net, una red multiscala consciente de las ventajas.
• Se introdujo un Módulo de Atención Conjunta Multidimensional (MDJA) para el análisis de lesiones a escala múltiple.
• Incorporó una rama de extracción de características de borde (EFFB) para centrarse en los límites de la enfermedad.

Principales resultados:

• La EBMA-Net alcanzó una Intersección Media en la Unión (MIoU) del 86,25%.
• Logró una precisión media de píxeles (MPA) del 91,68% y un coeficiente de dados del 92,43%.
• Demostró un rendimiento superior en comparación con los modelos existentes en un conjunto de datos personalizados sobre la enfermedad de la hoja de pera.

Conclusiones:

• EBMA-Net segmenta eficazmente las enfermedades de las hojas de pera en condiciones complejas.
• La arquitectura del modelo mejora la precisión del diagnóstico y el manejo de enfermedades agrícolas.
• Destaca el potencial de las redes multi-escala y sensibles a los límites en la patología vegetal.