LCAMNet: un modelo ligero para la clasificación de enfermedades de las hojas de manzana en entornos naturales

Área de la Ciencia:

• Ciencias Agrícolas
• Visión por computadora
• Aprendizaje automático

Sus antecedentes:

• Las enfermedades de las hojas de manzana afectan significativamente el rendimiento y la calidad de los cultivos.
• La clasificación precisa de las enfermedades es vital para una gestión eficaz.
• Los modelos existentes luchan con el diseño ligero y la alta precisión en entornos naturales debido a la similitud de las lesiones de fondo.

Objetivo del estudio:

• Desarrollar un modelo ligero y preciso para la clasificación de las enfermedades de la hoja de manzana.
• Abordar las limitaciones de los modelos existentes en entornos de huertos naturales.
• Mejorar la aplicabilidad práctica de los sistemas de detección de enfermedades.

Principales métodos:

• Introducción de la red ligera de atención convergente de varias ramas (LCAMNet).
• Integración de convoluciones separables en profundidad y re-parametrización estructural para un modelado eficiente.
• Diseño de un módulo de muestreo descendente de doble rama para evitar la pérdida de características.
• Implementación de una estructura de escalas múltiples y atención triple mejorada para una representación de características mejorada.

Principales resultados:

• LCAMNet logró una precisión del 92,60% en el conjunto de datos SCEBD construido y del 95,31% en un conjunto de datos público.
• El modelo muestra un diseño ligero con solo 0.03 GFLOPs y 1.30M parámetros.
• La red maneja eficazmente entornos naturales complejos con varios factores de interferencia.

Conclusiones:

• LCAMNet ofrece una solución ligera y de alta precisión para la clasificación de enfermedades de la hoja de manzana.
• La eficiencia y precisión del modelo lo hacen adecuado para su despliegue en dispositivos con recursos limitados en huertos del mundo real.
• El conjunto de datos SCEBD desarrollado representa de manera realista las condiciones del huerto, lo que ayuda a la investigación futura.