使用定制的CBAM-DenseNet注意力模型预测块性皮肤病病毒
Muhammad Mujahid1, Tahir Khurshaid2, Mejdl Safran3
1Department of Computer Science, Khwaja Fareed University of Engineering and Information Technology, Rahim Yar Khan, 64200, Pakistan.
BMC infectious diseases
|October 19, 2024
概括
型皮肤病病毒 (LSDV) 是一种严重的牛病. 这项研究引入了DenseNet深度学习模型,用于准确的LSDV检测和分类,在增强数据上达到99.11%的准确性.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 计算机科学 计算机科学
- 机器学习 机器学习
背景情况:
- 型皮肤病病毒 (LSDV) 是一种高度传染性的病毒性疾病,影响牛,在全球造成重大经济损失.
- 在像巴基斯坦这样的地区,LSDV的快速传播需要紧急的诊断工具,以便早期检测和控制.
- 公共LSDV数据集的有限可用性和小规模阻碍了准确的预测和分类模型的开发.
研究的目的:
- 开发和评估一个深度学习模型,用于准确检测和分类块性皮肤病病毒 (LSDV).
- 通过收集和增强LSDV图像数据来应对有限和小数据集的挑战.
- 将拟议的DenseNet模型的性能与其他已建立的深度学习架构进行比较.
主要方法:
- 从巴基斯坦的在线来源和兽医农场收集了全面的数据集.
- 在LSDV检测中使用了DenseNet深度学习架构,包括卷积块注意模块 (CBAM) 和空间注意 (SA).
- 使用VGG-16,ResNet-50,MobileNet-V2,自定义CNN和Inception-V3模型进行了比较实验.
主要成果:
- 拟议的DenseNet模型在增强数据集上达到99.11%的准确性,在原始数据集上达到94.23%的准确性.
- 该模型在将Lumpy皮肤病病毒 (LSDV) 与水和水一起分类方面表现出卓越的性能.
- 对比分析证实了DenseNet模型比最先进的方法更有效.
结论:
- 开发的DenseNet模型为块性皮肤病病毒 (LSDV) 检测和分类提供了高度准确和高效的解决方案.
- 该研究强调了深度学习的潜力,特别是注意力增强的DenseNet,可以克服兽医疾病诊断的数据限制.
- 这些发现支持先进的人工智能工具的实施,以改善牲畜群体的疾病监测和管理.
