LFMNet:一种轻量级的模型,用于识别具有高度相似性的玉米叶病
Jian Hu1,2,3, Xinhua Jiang1,2, Julin Gao4
1College of Computer and Information Engineering, Inner Mongolia Agricultural University, Hohhot, China.
Frontiers in plant science
|May 8, 2024
概括
这项研究引入了一种轻量级的玉米叶病识别网络 (LFMNet),可以准确检测疾病,即使在复杂的自然环境中具有相似症状. 与现有模型相比,LFMNet的参数较少,可实现高精度.
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:
- 玉米叶病显著降低作物产量和质量.
- 由于复杂的背景和视觉上类似的疾病症状,在自然环境中准确识别玉米叶病是很困难的.
- 现有的深度学习模型经常在复杂的农业环境中与规模变化和特征提取作斗争.
研究的目的:
- 提出一个轻量级的多层次注意力融合网络 (LFMNet),用于准确识别玉米叶病.
- 为了增强在复杂的背景下和类似的疾病斑点外观下对玉米叶子的特征提取能力.
- 与现有网络相比,开发一个计算效率高的模型,参数数量减少.
主要方法:
- 开发了一个轻量级的多层次注意力融合网络 (LFMNet),结合PMFFM和MATtion块.
- 通过使用密集的连接,提高了对疾病规模的适应性,具有不同扩张速率的部分卷积.
- 通过集成可适应的聚合内核和复杂背景的卷积层来增强特征提取.
- 利用GMDC和特征权重矩阵来捕捉多尺度特征,并强调关键疾病区域.
主要成果:
- 在测试中,LFMNet的测试准确度达到94.12%,超过了重量级 (ResNet50,Inception v3) 和轻量级 (DenseNet 121,MobileNetV3,ShuffleNet V2) 的网络.
- 该模型具有显著减少的参数数量 (0.88m),使其比当前主流轻量级网络更高效.
- 在区分具有非常相似视觉症状的玉米叶病类型方面表现出有效性.
结论:
- 在现实条件下,LFMNet提供了一个高度准确和计算高效的解决方案,用于在现实条件下识别玉米叶病.
- 拟议的网络架构有效地解决了复杂的背景和视觉上类似的疾病表现所带来的挑战.
- LFMNet代表了玉米自动疾病诊断的重大进步,有助于改善作物管理和产量保存.
更多相关视频
06:11Author Spotlight: Improved Methods for Preparing Transverse Sections and Unrolled Whole Mounts of Maize Leaf Primordia for Fluorescence and Confocal Imaging
Published on: September 22, 2023
2.9K
06:21Micron-scale Phenotyping Techniques of Maize Vascular Bundles Based on X-ray Microcomputed Tomography
Published on: October 9, 2018
8.8K
