Video Experimental Relacionado
Updated: Jan 13, 2026
A Swin Transformer-Based Model for Thyroid Nodule Detection in Ultrasound Images
Published on: April 21, 2023
Un modelo híbrido CNN-transformer con función de activación adaptativa para la clasificación de enfermedades en hojas
Ayan Mondal1, Ayan Chatterjee2, Nurilla Avazov3
1School of Electrical Engineering, Aalto University, Otakaari 1B, 02150, Espoo, Finland.
Videos de Conceptos Relacionados
También podría leer
Artículos Relacionados
Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.
Bridging stimulus-responsive and dissipative peptide assemblies to build complex interactive biomaterials.
A digital twin-based comparative reinforcement learning framework for personalized behavioral recommendation.
Cr(III)-Salen-Catalyzed Enantioselective C3-Aryloxylation of Spiroepoxy Oxindoles.
Este estudio presenta DenseNet para enfermedades de hojas de papa (PLDNet), un modelo híbrido de aprendizaje profundo para la clasificación precisa de enfermedades de papa. PLDNet logra una alta precisión, ofreciendo una solución eficiente para la identificación automatizada de enfermedades de plantas.
Área de la Ciencia:
- Ciencias Agrícolas
- Ciencias de la Computación
- Inteligencia Artificial
Sus antecedentes:
- El cultivo de papa enfrenta pérdidas significativas de rendimiento y calidad debido a diversas enfermedades.
- Los métodos actuales de detección de enfermedades a menudo son ineficientes, inexactos y requieren mucha mano de obra.
- La identificación automatizada de enfermedades es crucial para la agricultura sostenible.
Objetivo del estudio:
- Desarrollar una novedosa arquitectura híbrida de aprendizaje profundo para la clasificación precisa de enfermedades en hojas de papa.
- Introducir una función de activación paramétrica adaptativa para mejorar el rendimiento del modelo.
- Proporcionar una solución eficiente y escalable para la identificación automatizada de enfermedades de plantas.
Principales métodos:
- Se desarrolló una arquitectura híbrida de aprendizaje profundo, DenseNet para enfermedades de hojas de papa (PLDNet), que integra DenseNet con un módulo de atención basado en Transformer.
- Se propuso una función de activación Adaptative Flatten p-Mish (AFpM) para mejorar la flexibilidad de aprendizaje y la capacidad de representación.
- El modelo PLDNet se evaluó en los conjuntos de datos PlantVillage y Mendeley.
Principales resultados:
- PLDNet logró precisiones de clasificación del 99,54% en el conjunto de datos PlantVillage y del 87,50% en el conjunto de datos Mendeley.
- La función de activación propuesta AFpM demostró un rendimiento superior en comparación con las funciones de activación Mish, Swish y PFpM.
- AFpM mejoró la precisión en un 2,52% en Mendeley y en un 1,93% en PlantVillage en comparación con PFpM, y en más de un 3% en comparación con Swish y Mish.
Conclusiones:
- El marco PLDNet ofrece un enfoque altamente preciso y eficiente para la identificación automatizada de enfermedades en hojas de papa.
- La novedosa función de activación AFpM mejora el rendimiento del modelo de aprendizaje profundo a través de la no linealidad adaptativa y el control dinámico del gradiente.
- El estudio demuestra sólidas capacidades de generalización, allanando el camino para mejorar las estrategias de manejo de enfermedades de cultivos.