ジャガイモ葉病害分類のための適応活性化関数を有するハイブリッドCNN-トランスフォーマーモデル
Ayan Mondal1, Ayan Chatterjee2, Nurilla Avazov3
1School of Electrical Engineering, Aalto University, Otakaari 1B, 02150, Espoo, Finland.
Scientific reports
|January 6, 2026
まとめ
本研究では、正確なジャガイモ病害分類のためのハイブリッド深層学習モデルであるポテトリーフディジーズデンスネット（PLDNet）を紹介します。PLDNetは高い精度を達成し、自動植物病害同定のための効率的なソリューションを提供します。
科学分野:
- 農業科学
- コンピュータサイエンス
- 人工知能
背景:
- ジャガイモ栽培は、様々な病害により、収量と品質に大きな損失をもたらしています。
- 現在の病害検出方法は、非効率的、不正確、かつ労働集約的であることが多いです。
- 自動病害同定は、持続可能な農業にとって不可欠です。
研究 の 目的:
- 正確なジャガイモ葉病害分類のための新規ハイブリッド深層学習アーキテクチャを開発する。
- モデル性能を向上させるための適応パラメータ活性化関数を導入する。
- 自動植物病害同定のための効率的かつスケーラブルなソリューションを提供する。
主な方法:
- DenseNetとTransformerベースの注意モジュールを統合したハイブリッド深層学習アーキテクチャ、ポテトリーフディジーズデンスネット（PLDNet）を開発しました。
- 学習の柔軟性と表現能力を向上させるために、適応フラットp-ミッシュ（AFpM）活性化関数を提案しました。
- PLDNetモデルをPlantVillageおよびMendeleyデータセットで評価しました。
主要な成果:
- PLDNetは、PlantVillageデータセットで99.54%、Mendeleyデータセットで87.50%の分類精度を達成しました。
- 提案されたAFpM活性化関数は、Mish、Swish、PFpM活性化関数と比較して優れた性能を示しました。
- AFpMは、PFpMと比較してMendeleyで2.52%、PlantVillageで1.93%、SwishおよびMishと比較して3%以上精度を向上させました。
結論:
- PLDNetフレームワークは、自動ジャガイモ葉病害同定のための非常に正確で効率的なアプローチを提供します。
- 新規AFpM活性化関数は、適応的な非線形性と動的な勾配制御を通じて深層学習モデルの性能を向上させます。
- 本研究は、強力な一般化能力を示し、作物病害管理戦略の改善への道を開きます。
