使用转导性长期短期记忆与注意力机制对番茄叶病的分类

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 机器学习 机器学习

背景情况:

• 番茄种植面临着由于叶病造成的挑战,影响产量和质量.
• 准确和早期发现疾病对于有效的作物管理和防止损失至关重要.
• 现有的深度学习模型经常与分类复杂性和有限的计算能力作斗争.

研究的目的:

• 开发一个先进的深度学习模型,用于精确的番茄叶病疾病分类.
• 克服单个架构模型在处理复杂图像数据方面的局限性.
• 提高农业中自动化疾病检测系统的效率和准确性.

主要方法:

• 使用了一种与注意力机制集成的新型传导性长期短期记忆 (T-LSTM) 模型.
• 运用了传导式学习原理来利用数据集特征进行准确的预测.
• 集成的U-Net用于图像细分和VGG-16用于特征提取,其次是T-LSTM分类.
• 从PlantVillage数据集中预处理的数据,使用图像大小调整,颜色增强和数据增强.

主要成果:

• 拟议的T-LSTM分类器在番茄叶疾病分类中实现了99.98%的高精度.
• 与现有的卷积神经网络 (CNN) 模型与转移学习和IBSA-NET.NET相比,表现出卓越的性能.
• 注意力机制有效地专注于相关的图像序列部分,以改善分类.

结论:

• 带有注意力机制的T-LSTM模型为番茄叶病的分类提供了高度准确和高效的解决方案.
• 这种方法显著改进了当前的深度学习方法,为更好的农业疾病管理铺平了道路.
• 这些发现突显了转导性学习和注意力机制在农业中复杂的图像分类任务中的潜力.