LT-DeepLab:一个改进的DeepLabV3+交叉尺度细分算法,用于Zanthoxylum bungeanum Maxim在现实环境中的树叶干疾病
Tao Yang1, Jingjing Wei2, Yongjun Xiao1
1College of Information Engineering, Sichuan Agricultural University, Ya'an, China.
Frontiers in plant science
|November 6, 2024
概括
一个新的深度学习模型,LT-DeepLab,准确地识别Zanthoxylum bungeanum Maxim作物疾病,如叶子斑和生. 这种模型改善了疾病细分和计算效率,以更好地管理作物.
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:
- 桑托西 (Zanthoxylum bungeanum Maxim) 种植面临严重的收获损失,原因是经常出现的疾病.
- 准确的农作物疾病识别对于有效的农业管理至关重要.
- 深度学习为自动化作物疾病识别提供了有希望的解决方案.
研究的目的:
- 开发一种新的深度学习模型,用于Zanthoxylum bungeanum Maxim疾病的语义细分.
- 增强现有的深度学习架构,在复杂的现场条件下提高准确性和效率.
- 为早期和精确检测各种作物疾病提供强大的工具.
主要方法:
- 该研究介绍了LT-DeepLab,这是一个增强的DeepLabV3+模型.
- 关键的创新包括一个裂变深度可与CRCC空心空间金字塔聚合模块分离,以及与卷积块注意模块交叉注意.
- 整合了可变形卷积和完全卷积网络辅助头部,以优化特征提取和准确性.
主要成果:
- 与基线DeepLabV3+相比,LT-DeepLab实现了平均交叉与联盟 (mIoU) 的3.59%改善,平均像素精度 (mPA) 的2.16%增加.
- 该模型显示整体精度 (OA) 增加了0.94%.
- LT-DeepLab减少了11.11%的计算需求和16.82%的参数数量.
结论:
- 在具有挑战性的现场环境中,LT-DeepLab表现出卓越的疾病细分能力.
- 该模型保持了高的计算效率,使其适用于现实世界的应用.
- 这项研究为Zanthoxylum bungeanum Maxim的自动作物疾病管理提供了重大进展.
