开发一个手持GPU辅助的DSC-TransNet模型,用于使用深度学习方法实时分类植物叶病
Midhun P Mathew1, Sudheep Elayidom1, V P Jagathy Raj2
1CS Division, SOE-Cochin University of Science and Technology, Cochin, Kerala, India.
Scientific reports
|January 28, 2025
概括
一个新的混合深度学习模型,DSC-TransNet,准确地实时识别植物叶病. 这一进步有助于可持续农业,通过快速检测和干预,提高作物产量.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 准确的叶病鉴定对于可持续农业和粮食安全至关重要.
- 现有的方法可能缺乏有效作物管理所需的精度或实时能力.
研究的目的:
- 开发一种混合深度学习模型,用于准确的实时分类植物叶病.
- 提高葡萄,胡和番茄植物疾病的检测.
主要方法:
- 开发了一个混合型号,将VGG19的功能与变压器编码器块相结合.
- 为了计算效率,集成了深度可分离的卷积层 (DSC).
- 该模型,DSC-TransNet,在各种数据集上进行了训练和验证,并在NVIDIA Jetson Nano上进行了测试.
主要成果:
- DSC-TransNet模型实现了高性能指标,包括99.97%的准确性,99.94%的精度,回忆,灵敏度和F1得分,以及葡萄叶的0.98AUC.
- 该模型在包括和西红在内的数据集中证明了有效性.
- 集成DSC层提高了计算效率,而不会牺牲性能.
结论:
- DSC-TransNet模型为自动植物疾病分类提供了可靠的工具.
- 这项研究通过加强作物监测和管理,有助于农业的可持续性.
- 该模型的实时功能支持及时干预,减轻经济损失和提高作物产量.
