多级特征基于融合的轻量级双流变压器用于检测叶病
Ajitesh Kumar1, Dhirendra Prasad Yadav2, Deepak Kumar3
1Department of Computer Engineering & Applications, G.L.A. University, Mathura (U.P.), India. patel.ajiteshkumar@gmail.com.
Environmental monitoring and assessment
|August 7, 2023
概括
一个新的RDTNet模型使用多尺度特征融合增强了叶疾病的识别. 这种人工智能方法实现了高精度,改进了实时作物疾病诊断的传统方法.
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:
- 传统的叶病识别方法是定性和容易出错的.
- 现有的人工神经网络 (ANN) 和深神经网络 (CNN) 模型缺乏足够的特征提取能力.
- 农业需要更高效,更准确的自动化疾病诊断系统.
研究的目的:
- 设计和评估一个新的RDTNet模型,以改进叶疾病的识别.
- 增强语义语境全球和本地特征提取,以获得更好的分类准确性.
- 为了降低计算成本,同时保持高诊断性能.
主要方法:
- 在RDTNet架构中实施了多级特征融合方法.
- 该模型使用两个模块:一个用于从多个尺度的局部二进制模式 (LBP),灰色和面向梯度 (HOG) 图像的直方图形中提取特征,另一个用于使用变压器和卷积块的语义全球和局部特征提取.
- 通过将卷积和变压器块的输入进行分割来优化查询处理,以降低计算成本.
主要成果:
- 拟议的RDTNet模型实现了卓越的性能,平均精度为99.55%,F1得分为99.54%,准确率为99.53%.
- 对各种数据集的验证证实了该模型的稳定性和适用于实时病诊断的适用性.
- 该研究证明了多尺度特征和变压器集成对分类准确性的有效性.
结论:
- 通过先进的特征提取,RDTNet模型显著提高了叶疾病分类的准确性.
- 开发的模型是实时诊断大米疾病的可行解决方案,并显示出监测其他作物的潜力.
- 这项研究强调了人工智能在革命性地改变农业疾病管理和作物监测方面的潜力.
