基于混合损失函数和CBAM的果叶上的小型疾病斑点的细分识别研究

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 植物病理学 植物病理学

背景情况:

• 果病如Alternaria斑点和棕色斑点会降低作物产量和质量.
• 精确识别和细分疾病斑点对于有效管理至关重要.
• 现有的方法在识别准确度低,小病变细分不良的情况下扎.

研究的目的:

• 为果叶开发一种先进的疾病点细分和识别方法.
• 为了提高果叶疾病识别的准确性和稳定性,特别是对于小斑点.
• 通过实现精确的预防和控制,减少与果病相关的经济损失.

主要方法:

• 使用了DFL-UNet+CBAM模型,结合了混合子损失和焦点损失功能.
• 整合了CBAM关注机制,以加强与疾病相关的区域的特征提取和权重.
• 在受到Alternaria斑点和棕色斑点疾病影响的果叶上训练和测试模型.

主要成果:

• DFL-UNet+CBAM模型实现了平均损失率从0.063降低到0.008.
• 实现了高性能指标:MIoU为91.07%,MPA为95.58%,F1得分为95.16%.
• 与原来的U-Net模型相比,显著改善,特别是在细分较小的疾病点上,MIoU,MPA,精度,回忆和F1分数显著增加.

结论:

• 拟议的DFL-UNet+CBAM方法为果叶病提供了卓越的识别精度和细分性能.
• 该模型有效地解决了传统方法的局限性,包括低准确性,低效率和融合问题.
• 这一进步支持精确的疾病控制,旨在防止水果质量下降,并尽量减少果生产的经济损失.