通过视觉变压器-卷积神经网络的多光谱植物疾病检测混合方法
Malithi De Silva1, Dane Brown1
1The Department of Computer Science, Rhodes University, Hamilton Building, Prince Alfred Street, Grahamstown 6139, South Africa.
Sensors (Basel, Switzerland)
|October 28, 2023
概括
像Vision Transformers (ViTs) 这样的深度学习模型显示出使用多光谱成像识别植物疾病的前景. 这项技术可以改善作物产量管理和全球粮食安全.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 数据科学数据科学数据科学
背景情况:
- 植物病严重威胁全球农业生产力和粮食安全.
- 传统的植物疾病识别方法往往耗时,需要专家知识.
- 需要先进的计算技术来有效和准确地检测疾病.
研究的目的:
- 探索深度学习算法,特别是卷积神经网络 (CNN) 和视觉转换器 (ViT),用于增强植物疾病识别.
- 通过使用多谱数据集来评估不同深度学习模型的性能.
- 调查数据集平衡对植物疾病诊断模型选择的影响.
主要方法:
- 开发和应用深度学习模型,包括CNN和ViT,用于植物疾病分类.
- 采集和利用使用六个50毫米过器在可见和近红外 (NIR) 波长中获得的多光谱数据集.
- 在不同的过器中对模型性能指标 (准确性,精度,回忆,F1分数) 的比较分析.
主要成果:
- 视觉变压器B16 (ViT-B16) 模型实现了最高的性能指标,平均测试准确率为83.3%,精度为90.1%,回忆率为90.75%,F1得分为89.5%.
- 该研究证明了ViT-B16在从多谱数据中准确识别植物疾病方面的有效性.
- 一项比较分析证实了均衡数据集在优化波长选择和深度学习模型选择方面的关键作用.
结论:
- 深度学习,特别是ViTs,为推进植物疾病诊断提供了强大的工具.
- 多谱成像与先进的人工智能模型相结合,可以显著改善作物疾病管理策略.
- 这些进展有可能通过更有效的农业实践提高全球粮食安全.
