使用深度学习从现场图像中识别感染甜病毒疾病的叶子
Ziyu Ding1, Fanguo Zeng1, Haifeng Li1
1College of Electronic Engineering (College of Artificial Intelligence), South China Agricultural University, Guangzhou, China.
Frontiers in plant science
|November 25, 2024
概括
这项研究引入了一种深度学习模型,用于从叶子图像中快速准确地识别甜病毒病 (SPVD) 病变. 开发的细分算法显著提高了疾病检测效率和农业中的可扩展性.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 植物病理学 植物病理学
背景情况:
- 甜病毒病 (SPVD) 在全球造成重大经济损失.
- 目前用于SPVD的诊断方法通常是昂贵的,劳动密集型,缺乏可扩展性.
- 需要有效和准确的方法来早期检测SPVD.
研究的目的:
- 开发和验证基于深度学习的语义细分模型,以从甜叶的现场图像中准确识别SPVD病变.
- 提高模型在细分疾病病变方面的性能,特别是在具有挑战性的边缘和背景区域.
- 为农业环境中快速检测SPVD提供可扩展和高效的工具.
主要方法:
- 使用了一个深度学习语义细分网络,DeepLabV3+,并用注意力金字塔融合 (APF) 模块来增强.
- APF模块集成了道注意力和多尺度特征融合,以改善像素级疾病细分.
- 开发了一种新的数据增强技术,以提高边缘背景区域的识别精度,并利用转移学习进行概括.
主要成果:
- 该模型在初级测试数据集 (DS-1) 上实现了94.63%的平均欧盟交叉点 (mIoU) 和96.99%的平均精度 (mAcc).
- 在单独的验证数据集 (DS-2) 上,该模型表现出强大的性能,mIoU为78.59%和mAcc为79.47%.
- 废除研究证实了拟议的数据增强和APF方法的有效性,优于现有指标.
结论:
- 开发的深度学习框架有效地从现场图像中对SPVD病变进行细分,为疾病检测提供了显著的进步.
- 拟议的方法为智能甜病诊断提供了快速,准确和可扩展的解决方案.
- 这项技术有可能通过及时干预来减少与SPVD相关的经济损失.
