基于状态空间注意力和特征融合,用于准确检测玉米疾病的深度学习模型
Tong Zhu1, Fengyi Yan1, Xinyang Lv1
1China Agricultural University, Beijing 100083, China.
Plants (Basel, Switzerland)
|November 27, 2024
概括
一个新的状态空间注意力模型准确地检测到玉米叶病,改善农业产量和粮食安全. 这种先进的方法显著优于用于精确识别疾病的传统技术.
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:
- 精确检测玉米叶病对农业产量和粮食安全至关重要.
- 传统方法与复杂的环境作斗争,限制了现代农业的需求.
- 疾病的时空特征是准确检测的关键.
研究的目的:
- 提出使用状态空间注意力机制的玉米叶病检测模型.
- 为了有效地利用时空特征,有效和准确地检测疾病.
- 提高疾病识别准确性和农业的效率.
主要方法:
- 开发了一种包含状态空间注意力机制和多尺度特征融合的模型.
- 捕获了玉米疾病的空间分布和动态发展.
- 与基线模型 (AlexNet,GoogleLeNet,ResNet,EfficientNet,ViT) 和注意力模块 (自我注意力,CBAM) 的性能进行比较.
主要成果:
- 拟议的模型实现了0.95精度和0.94的回忆,准确性和F1得分,超过了基线模型.
- 与标准自我注意和CBAM相比,状态空间注意显著提高了表现.
- 与交叉和焦点损失相比,状态空间损失函数也表现出优异的结果.
结论:
- 状态空间注意模型为玉米叶病的检测提供了卓越的准确性和概括性.
- 该模型为早期诊断和管理玉米疾病提供了强大的技术支持.
- 未来的工作包括优化时空建模和探索现实应用的多模式数据融合.
