注意力增强的玉米疾病诊断使用少数射击学习和VGG16
Ruchi Rani1,2, Jayakrushna Sahoo1, Sivaiah Bellamkonda1
1Department of Computer Science and Engineering, Indian Institute of Information Technology Kottayam, 686635, Kerala, India.
MethodsX
|February 6, 2025
概括
这项研究引入了一种新的Few-Shot学习模型,用于早期检测植物疾病. 人工智能系统使用最少的数据准确识别玉米疾病,使农民受益并减少作物损失.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 传统的植物疾病检测是手动的,耗时的,劳动密集的.
- 人工智能,机器学习和深度学习方法需要大量的数据集,这些数据很难获取和注释.
- 简单的学习 (FSL) 提供了一个解决方案,通过使用最小的训练示例来实现模型概括,模仿人类学习.
研究的目的:
- 开发一种高效准确的AI模型,用于早期检测植物疾病.
- 解决植物病理学的传统机器学习方法中的数据采集和注释挑战.
- 通过Few-Shot学习为现实世界农业应用提供可行的解决方案.
主要方法:
- 使用预训练的VGG16卷积神经网络作为骨干.
- 与VGG16骨干集成了一个注意力模块.
- 应用原型的少量学习用于玉米疾病的预测和分类.
主要成果:
- 在玉米疾病预测和分类方面取得了98.25%的高准确性.
- 证明了Few-Shot学习在克服数据限制方面的有效性.
- 开发了一个强大的,可扩展的解决方案,用于农业疾病的识别.
结论:
- 拟议的Few-Shot学习模型使得玉米疾病的早期和准确识别成为可能.
- 通过克服对大型注释数据集的需求,提高了系统的可行性.
- 集成VGG16,注意力机制和原型FSL为农民提供了一种强大的工具,以减轻作物损失.
关键词:
注意力机制注意力机制玉米的玉米玉米的玉米的玉米很少有人射击学习学习.植物疾病检测检测检测原型网络的原型网络在VGG16中,VGG16是VGG16中的一个.VGG16集成的注意力机制和原型的几枪学习用于玉米疾病分类.
