关于茶叶害虫分类模型的研究,使用卷积和嵌入式代兴趣区域编码变压器.
Baishao Zhan1, Ming Li1, Wei Luo1
1College of Electrical and Automation Engineering, East China Jiaotong University, Nanchang 330013, China.
Biology
|July 29, 2023
概括
这项研究介绍了IterationVIT,这是一种用于准确诊断茶病的新型计算机视觉模型. 代VIT模型在识别各种茶叶疾病方面取得了很高的准确性,改善了产量管理.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉 计算机视觉
- 植物病理学 植物病理学
背景情况:
- 茶叶病显著降低作物产量,需要有效的管理策略.
- 目前的计算机视觉方法由于病变变化,症状重叠和复杂的背景而难以对茶叶疾病进行分类.
研究的目的:
- 开发一个先进的IterationVIT模型,用于精确的茶病分类和诊断.
- 提高自动化茶叶疾病识别系统的效率和稳定性.
主要方法:
- 拟议的IterationVIT模型集成卷积层用于本地特征提取和代变压器用于全球特征分析.
- 利用了3544张茶叶图像的数据集,涵盖了八个类别 (七种疾病和健康的叶子).
- 整合了注意力机制和双线互排,以精确地定位疾病.
主要成果:
- 代VIT实现了98%的分类准确度和96.5%的F1得分,补丁大小为16.
- 在增强图像上 (模糊,杂,突出显示) 证明了超过80%的准确性.
- 在精确度方面表现优于主流模型 (8%更高),培训样本减少,并在公共数据集中显示可比的概括性.
结论:
- 与现有方法相比,IterationVIT模型在茶叶疾病识别方面提供了更高的性能.
- 该模型精确定位疾病区域的能力,由CAM可视化证实,突出其实际诊断潜力.
- 代VIT显示了通过有效的,自动化的疾病管理来增强茶叶种植的希望.
