一种基于LFMNet在复杂背景下的玉米叶病和害虫的高精度识别方法.
Jintao Liu1, Chaoying He1, Yichu Jiang2
1College of Electronic Information & Physics, Central South University of Forestry and Technology, Changsha 410004, China.
Plants (Basel, Switzerland)
|July 13, 2024
概括
一个新的玉米叶病和害虫识别模型LFMNet有效地解决了复杂的背景和微妙的特征提取挑战. 该模型实现了高精度,为农业生产提供了强大的支持.
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:
- 玉米是全球重要的作物,受到疾病和害虫的威胁,需要为农业安全而进行准确的识别.
- 目前的识别方法与复杂的背景作斗争,并提取细微的疾病/害虫特征,影响准确性.
研究的目的:
- 开发一个先进的玉米叶病和害虫识别模型,以克服现有的挑战.
- 提高识别玉米叶病和害虫的准确性和可靠性.
主要方法:
- 拟议的LFMNet模型包括局部化的多尺度倒置残余卷积块 (LMSB) 用于初始下降采样和特征保存.
- 引入特征本地化瓶 (FLB),以更好地关注疾病/害虫特征并减少背景干扰.
- 实现了多节点本地特征融合架构 (MLFFA),以增强全球和本地特征的提取和融合.
主要成果:
- 在19451张图像的数据集上,LFMNet取得了卓越的表现.
- 证明了高的识别准确性 (95.68%),精确性 (95.91%),回忆力 (95.78%) 和F1得分 (95.83%).
- 超过现有模型的性能,在玉米疾病和害虫识别方面显示出显著的优势.
结论:
- LFMNet为准确识别玉米叶病和害虫提供了一个强大的解决方案.
- 该模型的创新架构有效地处理复杂的背景和微妙的特征.
- 提供重要的技术支持,通过精确的病虫害检测来保护农业生产.


