相关实验视频
Updated: Jun 14, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
379
CTDUNet:一种多式联网CNN转换器双U形网络,在复杂的环境中对Camellia oleifera的害虫和疾病细分进行坐标空间注意
Ruitian Guo1, Ruopeng Zhang1, Hao Zhou1
1School of Electronic Information and Physics, Central South University of Forestry and Technology, Changsha 410004, China.
Plants (Basel, Switzerland)
|August 29, 2024
概括
一个新的CNN-变压器双U形网络 (CTDUNet) 模型通过整合图像和文本数据,有效地细分Camellia oleifera疾病. 这种多模式方法显著提高了识别复杂的叶子病变和多种疾病的准确性,优于单模式方法.
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:
- 甘油菜植物在经济上很重要,但很容易受到疾病和害虫的影响,因此需要精确的鉴定才能有效管理.
- 现有的深度学习模型难以对Camellia疾病进行细分,原因是类似的病变/背景颜色,重叠的病变区域和单一叶子上的多种疾病等挑战.
- 单模模型往往无法捕捉复杂植物病理情景中精确细分所需的细微差别.
研究的目的:
- 开发一种新的多式联网深度学习模型,用于精确细分和分类患病的Camellia oleifera叶.
- 解决单模模型在区分病变,处理重叠的病变部分和同时识别多种疾病方面的局限性.
- 利用图像和文本信息来提高植物疾病识别中的细分精度.
主要方法:
- 提出了一种CNN-变压器双U形网络 (CTDUNet),这是一个整合卷积神经网络 (CNN) 和变压器的多式模式.
- 集成的坐标空间注意力 (CSA) 通过专注于位置关系来改善重叠的叶边缘的细分.
- 利用交叉注意力 (CA) 来有效地调整图像和文本特征,保存本地信息并增强疾病差异化.
主要成果:
- 在自制的多式联运数据集上,CTDUNet实现了86.14%的欧盟平均交叉点 (mIoU).
- 该模型的性能明显优于现有的多式联网和单式联网模型 (DeeplabV3+,UNet,PSPNet,Segformer,HrNet,LViT).
- CTDUNet在对各种Camellia oleifera疾病和害虫进行多类细分方面表现出高度平衡和准确性.
结论:
- 图像和文本多式联络信息的融合对于细分Camellia疾病非常有效,实现了卓越的性能.
- CTDUNet为精确的植物疾病细分提供了强大的解决方案,解决了复杂视觉数据的关键挑战.
- 这种方法在推进农业中自动化害虫和疾病管理方面具有重大潜力.
