一种深度多任务学习方法,用于识别木乃伊的感染部位,疾病阶段和严重程度

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:

• "木乃伊果病"导致低蓝的产量大幅下降.
• 由于复杂的现场条件和数据限制,精确的疾病检测具有挑战性.
• 现有的计算机视觉方法与特征封闭和复杂的背景作斗争.

研究的目的:

• 开发一种深度多任务学习 (MTL) 方法,同时检测木乃伊病,阶段分类和严重程度估计.
• 在复杂的低灌木蓝田环境中提高检测准确性和效率.
• 创建一个适合移动部署的计算效率高的模型.

主要方法:

• 一个深度多任务学习 (MTL) 框架被提出,使用原始蓝田间图像.
• 新的重叠注意力机制模块和分组卷曲被纳入了深度神经网络.
• 该模型同时进行感染部位识别,疾病阶段分类和严重程度估计.

主要成果:

• 与最先进的深度学习模型相比,MTL方法显示了更高的检测效率和准确性.
• 该方法有效地利用了带有混合植物器官和复杂背景的现场图像.
• 训练时间 (60%),网络参数大小 (1/6) 和计算成本 (1/15) 显著减少.

结论:

• 拟议的深度MTL方法为在低灌木蓝中准确有效地检测木乃伊病提供了一个有希望的解决方案.
• 该模型的效率和降低的计算成本使其适合实时现场监视,可能通过无人机部署.
• 这项技术可以为种植者提供及时的疾病信息,防止进一步的传播和减轻产量损失.