MFBP-UNet:天然农业环境中的梨叶病细分网络
Haoyu Wang1,2, Jie Ding1,2, Sifan He2,3
1School of Information and Computer Science, Anhui Agricultural University, Hefei 230036, China.
Plants (Basel, Switzerland)
|September 28, 2023
概括
准确的梨叶病细分对于水果种植至关重要. 新的MFBP-UNet模型使用先进的特征提取和注意力机制,显著提高了疾病识别的准确性和稳定性.
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:
- 由于疾病区域小而模糊,因此对梨叶病的准确细分具有挑战性.
- 有效的疾病控制依赖于精确识别和定位受影响的叶片区域.
研究的目的:
- 开发一种先进的对梨叶病的细分模型.
- 提高农业中自动化疾病检测的准确性和稳定性.
主要方法:
- 拟议的MFBP-UNet模型集成多尺度特征提取 (MFE) 和代币化多层感知器 (BATok-MLP) 与动态稀疏注意力.
- 利用扩散模型开创数据增强,以提高训练准确性和稳定性.
- 将MFBP-UNet与现有的细分网络进行比较.
主要成果:
- 与标准UNet模型相比,MFBP-UNet在平均交叉与联盟 (MIoU),MP,MPA和Dice指标方面取得了显著的改善.
- 获得的分数为86.15% (MIoU),93.53% (MP),90.89% (MPA) 和0.922 (Dice) 的分数.
- 在梨叶病细分中展示了卓越的性能和概括能力.
结论:
- MFBP-UNet模型为精确的梨叶病细分提供了强大的解决方案.
- 模型的架构和数据增强策略有助于提高准确性和稳定性.
- MFBP-UNet在各种自然环境细分任务中具有潜在的应用.
更多相关视频
06:03AMEBaS: Automatic Midline Extraction and Background Subtraction of Ratiometric Fluorescence Time-Lapses of Polarized Single Cells
Published on: June 23, 2023
497
08:28Mycorrhizal Maps as a Tool to Explore Colonization Patterns and Fungal Strategies in the Roots of Festuca rubra and Zea mays
Published on: August 26, 2022
2.8K
