MCCM:用于疾病分类和叶的识别的多级特征提取网络
Dan Li1,2, Chao Zhang1,2, Jinguang Li1,2
1Electrical and Information Engineering College, Jilin Agricultural Science and Technology University, Jilin, China.
Frontiers in plant science
|June 12, 2024
概括
一个新的深度学习模型MCCM显著提高了叶病的识别准确性. 这种优化的卷积神经网络通过有效地分类植物疾病来提高产量和质量预测.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 植物病理学 植物病理学
背景情况:
- 作物的叶病严重影响产量和质量.
- 现有的深度学习模型用于叶病的分类,在准确性和实际应用方面存在困难.
研究的目的:
- 提出一个优化的卷积神经网络 (CNN) 模型,MCCM (MCSAM-ConvNeXt-MSFFM),用于增强叶病的识别.
- 提高自动化植物疾病检测系统的准确性和实用性.
主要方法:
- 引入了ConvNeXt架构,并集成了一个多尺度特征融合模块 (MSFFM),用于多种特征捕获.
- 开发了一种混合道空间注意力机制 (MCSAM),以加强特征提取.
- 利用来自植物村数据集的预训练重量进行转移学习,以加速融合.
主要成果:
- 与现有模型相比,MCCM模型的平均精度提高了3.38%,精度提高了2.62%,回忆率提高了2.48%,F1得分提高了2.53%.
- 与最初的ConvNeXt模型相比,在所有性能指标上都观察到显著的改进.
- 该模型在米和玉米疾病数据集上显示出强大的概括性能.
结论:
- 拟议的MCCM模型为叶疾病分类提供了卓越的性能.
- 开发的模型具有实际应用,由一个功能性叶疾病分类网站证明.
- 这项研究有助于推进农业的自动疾病识别.
