实施和评估空间注意力机制在杏仁疾病检测使用自适应采样隐藏变量网络的应用和评估
Bingyuan Han1, Peiyan Duan1, Chengcheng Zhou1
1China Agricultural University, Beijing 100083, China.
Plants (Basel, Switzerland)
|June 27, 2024
概括
这项研究引入了一种先进的深度学习方法,用于检测杏仁树疾病,实现高精度. 新方法提高了疾病识别效率,为农业提供了实际的解决方案.
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:
- 杏树的疾病对作物产量和质量构成重大威胁.
- 准确和有效的疾病检测对于及时干预和管理至关重要.
- 现有的检测方法往往缺乏现实世界农业应用所需的精度和效率.
研究的目的:
- 开发一个先进的深度学习框架,用于增强杏仁树疾病检测.
- 提高疾病识别模型的准确性,精度和回忆.
- 确保开发的模型轻量化,适合在边缘设备上部署.
主要方法:
- 深度学习与数据增强策略的整合.
- 使用自适应采样隐性变量网络 (ASLVN) 和空间状态注意力机制开发框架.
- 模型轻量化技术用于边缘设备的应用.
主要成果:
- 实现了高性能指标:0.92精度,0.89回忆,0.90精度和0.91mAP.
- 它的性能优于已有的YOLOv5,YOLOv8,RetinaNet,EfficientDet和DETR等模型.
- 废除研究证实了ASLVN和空间状态注意力机制的有效性.
结论:
- 拟议的方法显著提高了杏仁树疾病检测的准确性和效率.
- 该模型的轻量级设计使其适合在农业环境中进行边缘部署.
- 为疾病管理提供强大的技术支持,在农业中提供广泛的应用前景.
