SugarViT-使用视觉变压器和深度标签分布学习进行无人机图像的多目标回归,证明了糖甜菜中的疾病严重程度预测
Maurice Günder1,2, Facundo Ramón Ispizua Yamati3, Abel Barreto3
1Fraunhofer Institute for Intelligent Analysis and Information Systems IAIS, Schloss Birlinghoven, Sankt Augustin, Germany.
PloS one
|February 13, 2025
概括
这项研究介绍了SugarViT,一种使用遥感和环境数据的AI框架,用于在甜菜中自动测定植物疾病严重程度. 该模型为各种基于图像的农业任务提供了一种通用方法.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 遥感 遥感 遥感 遥感
背景情况:
- 精准农业利用遥感和人工智能进行表型和疾病控制等任务.
- 自动化植物特征注释对于大规模农业监测至关重要.
研究的目的:
- 引入一个机器学习框架,用于自动化,大规模的植物特征注释.
- 开发一种基于视觉变压器 (SugarViT) 的高效模型,用于对糖的Cercospora叶斑 (CLS) 疾病严重程度进行分类.
主要方法:
- 开发了一种高效的基于视觉转换器的模型 (SugarViT),结合了深度双重学习 (DDL) 概念和专门的损失函数.
- 集成远程传感数据与环境参数,用于增强疾病严重性预测.
- 设计了适用于各种基于图像的分类和回归任务的通用框架,包括通过环境元数据预训练解决多目标问题.
主要成果:
- 证明了SugarViT在甜菜中疾病严重程度评分方面的有效性.
- 展示了该模型对各种基于图像的农业应用的适应性.
- 通过对最先进的方法进行比较实验来验证框架.
结论:
- 拟议的SugarViT框架有效地使用综合数据源自动化植物疾病严重性评分.
- 该框架的通用性使其在精密农业和其他基于图像的分析任务中具有广泛的适用性.
- 将遥感与环境数据相结合,可显著提高疾病预测的准确性.
