DenseNet201Plus:具有成本效益的转移学习架构,用于通过注意力机制快速识别叶病
Md Khairul Alam Mazumder1, Md Mohsin Kabir2,3, Ashifur Rahman2
1Department of Computer Science, American International University-Bangladesh, Dhaka-1229, Bangladesh.
Heliyon
|August 22, 2024
概括
一个新的DenseNet201Plus模型使用先进的技术准确地检测植物叶病. 这种改进的卷积神经网络 (CNN) 架构为香和黑色叶病的识别提供了卓越的性能.
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:
- 植物叶病显著降低作物产量,并威胁到粮食安全.
- 早期和准确的疾病检测对于有效的农业管理至关重要.
- 目前的诊断方法可能缺乏必要的速度和精度.
研究的目的:
- 开发一种先进的深度学习模型,用于准确检测植物叶病.
- 为了提高现有的CNN架构的稳定性和诊断能力.
- 通过精确的识别和定位,改进疾病管理策略.
主要方法:
- 推出了DenseNet201Plus,这是一个改进DenseNet201的新型架构,具有增强的数据增强,预处理和注意力机制.
- 整合了基于注意力的过渡机制和多个注意力模块.
- 在香叶病和黑色叶病数据集上训练和评估模型.
主要成果:
- DenseNet201Plus实现了高性能指标:香叶病的准确度,精度,回忆率为0.9012,AUC为0.9716.
- 对于黑色叶病,该模型获得了0.9950准确度,精度,回忆和1.0AUC.
- 与其他预训练的卷积神经网络 (CNN) 架构相比,其表现优越.
结论:
- 拟议的DenseNet201Plus模型为植物叶病诊断提供了一个高度准确和高效的解决方案.
- 与Grad-CAM++的集成增强了可解释性,帮助农业从业人员本地化疾病.
- 这项研究为作物疾病管理和研究的知情决策提供了有价值的工具.
