用视觉转换器和基于注意力的卷积神经网络优化草疾病和质量检测
Kimia Aghamohammadesmaeilketabforoosh1, Soodeh Nikan1, Giorgio Antonini1
1Department of Electrical & Computer Engineering, Western University, London, ON N6A 3K7, Canada.
Foods (Basel, Switzerland)
|June 27, 2024
概括
视觉变压器模型在草疾病分类方面取得了很高的准确性,为农民提供了一种改善作物监测和健康管理的工具. 这项技术有助于可持续农业.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 机器学习和计算机视觉为可持续农业提供了潜力,但在草种植方面取得了有限的成功.
- 之前在草种植中的应用遇到了挑战,需要进一步的研究.
研究的目的:
- 微调和比较三种预训练模型视觉变压器 (ViT),MobileNetV2和ResNet18用于草疾病和成熟度分类.
- 通过数据增强,背景删除,降噪和图像翻转来提高模型性能.
主要方法:
- 收集并预处理了两个草图像数据集,创建了一个用于培训的九类数据集.
- 微调ViT,MobileNetV2和ResNet18模型,将注意力头集成到MobileNetV2和ResNet18中,并修改ViT的架构.
- 通过使用类权重解决了类不平衡,并确保所有模型层在训练期间都是活跃的.
主要成果:
- 视觉变压器 (ViT) 获得了最高的准确率98.4%,其次是MobileNetV2 (98.1%) 和ResNet18 (97.9%).
- 尽管数据不平衡,ViT的准确性接近99%.
- 注意力机制的整合,特别是在ViT和ResNet18/MobileNetV2的早期层中,显著提高了图像识别的准确性.
结论:
- 与MobileNetV2和ResNet18相比,视觉变压器 (ViT) 模型在草成熟度和疾病分类方面表现优异,与MobileNetV2和ResNet18相比.
- 注意力机制提高了图像分类在农业应用中的准确性.
- 这项技术可以为农民提供被动摄像头监控,以改善草种植和作物健康.
