通过融合多尺度卷积和视觉变压器来识别作物疾病
Dingju Zhu1,2, Jianbin Tan1, Chao Wu2
1School of Computer Science, South China Normal University, Guangzhou 510631, China.
Sensors (Basel, Switzerland)
|July 14, 2023
概括
一个新的混合深度学习模型,MSCVT,通过结合卷积神经网络 (CNN) 和视觉转换器来增强作物疾病识别. 这种方法有效地融合了本地和全球特征,提高了智能农业的准确性.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 深度学习对于智能农业至关重要,特别是在作物疾病识别方面.
- 卷积神经网络 (CNN) 在局部特征提取方面表现出色,但在全球背景下扎.
- 视觉转换器提供全球接收领域,补充CNN的本地处理能力.
研究的目的:
- 开发一种混合深度学习模型,MSCVT,用于先进的作物疾病识别.
- 整合CNN和视觉转换器的优势,以进行全面的特征提取.
- 提高自动作物疾病识别系统的准确性和适应性.
主要方法:
- 设计了一个混合模型 (MSCVT),结合了CNN和Vision Transformer架构.
- 整合了一个多尺度的自我注意模块,用于融合本地和全球特征.
- 利用倒置的剩余块来优化模型参数以提高效率.
主要成果:
- 在PlantVillage数据集上达到99.86%的高识别准确度,在果叶病理数据集上达到97.50%.
- 与传统的CNN模型相比,在比较实验中表现出更高的性能.
- 验证了模型在多种疾病和小规模疾病识别场景中的有效性.
结论:
- MSCVT模型在作物疾病识别准确性和适应性方面取得了重大进展.
- 混合深度学习方法有效地利用本地和全球特征提取来完成复杂的农业任务.
- 在智能农业中,MSCVT显示出强大的实际应用潜力,用于疾病管理.
