基于SC-ConvNeXt网络模型的小麦疾病识别方法
Tianliang Dong1,2, Xiao Ma3, Bin Huang2
1School of Information and Control Engineering, Jilin University of Chemical Technology, Jilin, 132022, Jinlin, China.
Scientific reports
|December 31, 2024
概括
这项研究介绍了SC-ConvNeXt,一种使用自主监督学习 (SimCLR) 和注意力机制来减少对标记数据的需求的小麦疾病识别模型. 该模型在自然环境中实现了高精度,没有大量的手动数据标签.
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:
- 使用卷积神经网络 (CNN) 识别小麦疾病需要大量的标记数据,这是昂贵和耗时的.
- 自然环境因素使在小麦中精确识别疾病变得复杂.
- 现有的模型经常与数据稀缺性和环境变异性作斗争.
研究的目的:
- 开发一种高效的小麦疾病识别模型,尽量减少对标记数据的依赖.
- 提高在复杂的自然环境中对小麦疾病的识别的稳定性和准确性.
- 增强用于农业图像分析的特征提取和概括能力.
主要方法:
- 拟议的SC-ConvNeXt模型将SimCLR自主监督预训与ConvNeXt-T集成在一起.
- 整合了一个改进的CBAM注意力机制,在损失函数中激活LeakyReLU.
- 利用焦点损失来处理类不平衡,并采用数据增强技术.
- 使用小麦疾病数据集对四种经典分类模型进行模型性能评估.
主要成果:
- 在SC-ConvNeXt模型的测试组中,SC-ConvNeXt模型在测试组中实现了最高的平均分类准确率88.05%.
- 整合SimCLR显著减少了对标记训练数据的需求.
- 注意力机制在复杂的背景中增强了特征提取,改善了概括.
- 与传统分类模型相比,该模型表现出了优越的性能.
结论:
- 该SC-ConvNeXt模型有效地识别小麦疾病的高精度,即使有有限的标记数据.
- 自主监督的学习和注意力机制对于在现实条件下强大的农业疾病检测至关重要.
- 拟议的方法为自动化小麦疾病监测提供了具有成本效益和高效的解决方案.
