一种新的植物类型,叶病和严重程度识别框架,使用CNN和多标签方法的变压器

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 植物病对农业构成重大威胁,需要准确及时识别才能有效管理.
• 目前用于识别叶病的深度学习方法通常通过单独或组合地治疗植物类型,疾病和严重程度,从而导致复杂的模型或众多类别.
• 需要采用简化和综合的方法来提高叶病识别系统的效率和准确性.

研究的目的:

• 提出一个新的叶病识别网络 (LDI-NET),能够同时识别植物类型,叶病和严重程度.
• 开发一个单个分支深度学习模型,避免增加类别数量或使用复杂的网络结构.
• 通过综合多标签识别方法提高植物病检测的准确性和效率.

主要方法:

• 在LDI-NET采用多标签的方法与三个核心模块:一个功能tokenizer,一个令牌编码器,和一个多标签解码器.
• 功能标记器模块集成卷积神经网络和变压器,以提取本地和全球上下文特征.
• 标记编码器建立了植物类型,疾病和严重程度之间的关系,而多标签解码器融合了用于同时识别的特征.

主要成果:

• 拟议的LDI-NET成功地在单一,简单的网络分支中同时识别了植物类型,叶病和严重程度.
• 实验结果表明,LDI-NET在AI挑战者2018数据集上表现优于现有的流行的方法.
• 该模型通过其在解码器模块中的残余结构有效地利用浅层和深层特征.

结论:

• LDI-NET提供了一种新且有效的解决方案,用于同时识别植物类型,叶病和严重程度.
• 集成到单个网络分支中的多标签方法简化了模型架构并提高了识别性能.
• 这项研究有助于推进自动化植物疾病诊断,这对农业可持续性和粮食安全至关重要.