使用残余卷积照明的Swin变压器网络识别植物疾病

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 机器学习 机器学习

背景情况:

• 植物病严重影响农业经济和全球粮食安全.
• 植物疾病的早期检测对于有效管理和产量保存至关重要.
• 传统的方法与植物疾病症状的复杂性和微妙变化作斗争.

研究的目的:

• 开发一个高度准确的深度学习模型,用于早期植物疾病预测.
• 解决疾病精确识别方面的挑战,包括噪音,强度变化和视觉相似性.
• 改进现有的混合学习模型,用于检测植物疾病.

主要方法:

• 提出了一组新的斯温变压器 (ST) 和剩余卷积网络.
• 使用Swin变压器进行层次特征提取,使用残余网络进行深度关键点特征提取.
• 在植物村Kaggle数据集上进行了广泛的实验,评估了准确性,精度,回忆,特异性和F1评级.

主要成果:

• 拟议的Swin变压器和剩余网络组件与最先进的模型相比,表现出了更高的性能.
• 在植物疾病识别中实现了更高的准确性,精度,回忆和F1评级.
• 该模型有效地处理了复杂的变化和叶子图像中的噪声.

结论:

• 新型集体深度学习模型在自动检测植物疾病方面取得了重大进展.
• 这种方法为早期和精确识别植物疾病提供了强大的解决方案.
• 这些发现支持将先进的人工智能技术集成到精准农业中,以提高作物管理.