ICPNet:先进的玉米叶病检测与多维注意力和协调深度卷积
Jin Yang1, Wenke Zhu2, Guanqi Liu1
1College of Electronic Information and Physics, Central South University of Forestry and Technology, Changsha 410004, China.
Plants (Basel, Switzerland)
|August 29, 2024
概括
这项研究引入了ICPNet,一种新的玉米疾病检测方法. 它准确地识别出微妙和模糊的疾病特征,提高农业效率和粮食安全.
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:
- 检测玉米疾病对于粮食安全和农业效率至关重要.
- 挑战包括类似的疾病外观,模糊的特征和图像噪音.
- 现有的方法与微妙和模糊的疾病特征作斗争.
研究的目的:
- 开发一种先进的玉米疾病检测方法.
- 为了克服提取小,模糊和杂的疾病特征的局限性.
- 提高玉米叶病识别的准确性和稳定性.
主要方法:
- 拟议的ICPNet (集成的多维注意力协调深度卷积PSO-集成的狮子优化算法网络).
- 引入了综合多维注意力 (IMA) 来增强特征检测.
- 开发了坐标深度卷积 (CDC) 用于多级特征增强.
- 利用PSO集成的狮子优化算法 (PLOA) 来实现模型优化和稳定性.
主要成果:
- 在一个定制数据集上,ICPNet实现了88.4%的平均准确率和87.3%的精度.
- 该方法有效地提取了玉米叶病的微小和模糊的边缘特征.
- 在检测疾病模式方面表现出更好的稳定性和响应性.
结论:
- ICPNet为玉米疾病检测提供了一个强大的解决方案.
- 新的注意力和卷积机制提高了特征提取精度.
- 这种方法为大规模玉米生产的疾病管理提供了宝贵的参考.


