使用残留视力转换器检测植物叶病的新型层次框架
Sasikala Vallabhajosyula1, Venkatramaphanikumar Sistla2, Venkata Krishna Kishore Kolli2
1Department of CSE, Vignan's Nirula Institute of Technology and Science for Women, Guntur, Andhra Pradesh, India.
Heliyon
|May 3, 2024
概括
这项研究引入了一种新的等级残留视力转换器模型,用于早期检测植物叶病. 该模型有效地识别了多个数据集中的疾病,提高了作物生产率和粮食安全.
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:
- 准确及时检测植物叶病对于作物产量和粮食安全至关重要.
- 植物病源于各种因素,包括病原体和环境条件.
- 现有的检测方法可能缺乏效率或准确性.
研究的目的:
- 开发一种先进的模型,用于早期和准确地检测植物叶病.
- 提高关键疾病相关特征的提取,同时优化计算资源.
- 提高植物疾病识别系统的整体效率和有效性.
主要方法:
- 提出了一种新的等级剩余视力变压器模型.
- 该模型将改进的视觉变压器与ResNet9架构集成在一起.
- 它是在不同的数据集上进行训练和评估的:本地作物,植物村和扩展植物村.
主要成果:
- 拟议的模型在识别13,38,51类植物叶病方面表现出卓越的表现.
- 与InceptionV3,MobileNetV2和ResNet50.2等已建立的模型相比,它实现了更高的准确性.
- 该模型有效地提取了与减少参数和计算的细节.
结论:
- 开发的等级残留视觉变压器为早期检测植物叶病提供了强大的解决方案.
- 这种进步有助于保障农业生产力和全球粮食安全.
- 该模型的效率和准确性比现有方法显著提高.
