使用LAFANet的高精度番茄叶病图像文本检索方法
Jiaxin Xu1, Hongliang Zhou1, Yufan Hu1
1College of Computer and Information Engineering, Central South University of Forestry and Technology, Changsha 410004, China.
Plants (Basel, Switzerland)
|May 11, 2024
概括
这项研究介绍了LAFANet,这是一种新的图像文本检索方法,用于在智能农业中诊断番茄叶病. 通过融合视觉和文本数据,LAFANet提高了诊断准确性,提高了番茄产量和质量.
科学领域:
- 智能农业 智能农业
- 植物病理学 植物病理学
- 计算机视觉 计算机视觉
- 自然语言处理自然语言处理.
背景情况:
- 有效的番茄叶病控制对于智能农业至关重要.
- 目前的诊断方法缺乏全面的多式联运分析.
- 图像文本检索提供了改善诊断证据的潜力.
研究的目的:
- 开发一种有效的图像-文本检索方法来治疗番茄叶病.
- 引入多式联络数据集用于番茄叶病检索.
- 提高诊断的准确性和支持农业从业人员.
主要方法:
- 创建了番茄叶病图像文本检索数据集 (TLDITRD).
- 使用视觉变压器 (ViT) 和BERT进行特征提取.
- 建议用于特征融合的可学习的融合注意力 (LFA).
- 实施虚假负面消除-对抗性负面选择 (FNE-ANS) 和对抗性规范化 (AR).
主要成果:
- 在TLDITRD数据集上,LAFANet在现有模型上表现优越.
- 实现了顶级-1,顶级-5和顶级-10的检索率,分别为83.3%,90.0%和80.3%,93.7%和96.3%.
- 验证了LFA,FNE-ANS和AR在提高检索准确度方面的有效性.
结论:
- LAFANet提供了一个强大的框架,用于使用多式联络数据检索番茄叶病.
- 拟议的方法为智能农业诊断提供了重要的技术进步.
- 拉法网支持加强决策,以确保番茄的质量和产量.
