基于TPSAO-AMWNet的胡叶病的鉴定

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:

• 胡作物对全球农业至关重要,但易受病和炭病等疾病的影响.
• 疾病爆发大大降低了作物产量,导致经济损失,威胁到粮食安全.
• 准确及时识别疾病对于有效的作物管理和可持续农业至关重要.

研究的目的:

• 开发一个先进的图像识别模型,以准确识别胡病.
• 解决当前模型中的挑战,包括边缘模糊,微特征提取和最佳学习率的确定.
• 提高自动胡病检测系统的效率和实用性.

主要方法:

• 提出了一种新的胡病识别模型:TPSAO-AMWNet.
• 引入了一种适应性残留金字塔卷积 (ARPC) 与挤压和激发 (SE) 进行边缘模糊.
• 开发了小三重病焦点注意力 (MTDFA) 用于微特征提取和混合损失函数 (WfrLoss) 用于训练优化.
• 使用帐颗粒雪除优化器 (TPSAO) 进行最佳学习速率选择.

主要成果:

• 在TPSAO-AMWNet模型中,平均准确率达到了93.52%.
• 该模型在胡病分类中显示出高F1分数93.15%的高F1分数.
• 提出的方法有效地处理了边缘模糊,并改善了微特征提取.

结论:

• TPSAO-AMWNet模型为胡病的识别提供了一个强大而实用的解决方案.
• 这种进步有助于提高农业生产效率和可持续农业实践.
• 这些发现为在其他农作物中检测疾病提供了宝贵的见解.