一个ResNet50-DPA模型用于番茄叶病的识别

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 鉴定番茄叶病是具有挑战性的,因为疾病的多样性和复杂性.
• 卷积神经网络 (CNN) 是有前途的,但在特征提取方面存在困难,导致准确性低.
• 现有的方法在图像分析过程中往往会失去关键特性.

研究的目的:

• 提出一个改进的ResNet50模型,与双路注意力 (DPA) 机制集成,以准确识别番茄叶病.
• 增强特征提取能力,以更好地检测疾病.
• 提高自动化植物疾病诊断系统的可解释性和准确性.

主要方法:

• 一个改进的ResNet50架构,在初始层中结合了级联的状卷积,以捕捉多尺度的叶子特征.
• 一种新的双路注意力 (DPA) 机制,利用随机聚合和1D卷积来识别关键特征并最大限度地减少信息丢失.
• 将DPA模块集成到ResNet50的剩余块中,以生成增强的功能地图.

主要成果:

• 与标准方法相比,拟议的ResNet50-DPA模型在识别番茄叶病时表现出更高的准确性.
• DPA机制有效地捕捉了突出的特征,减少了关键信息的丢失.
• 格拉德-CAM可视化证实了该模型的改进可解释性和精确的疾病定位.

结论:

• 该ResNet50-DPA模型为番茄叶病的识别提供了强大而准确的解决方案.
• 胸腔卷积和DPA机制的整合显著提高了特征提取和诊断精度.
• 这种方法有可能通过精确的疾病管理来减少农业的经济损失.