基于ECA关注机制ResNet50网络的茶病鉴定
1School of Software, Jiangxi Agricultural University, Nanchang, China.
Frontiers in plant science
|February 21, 2025
概括
本研究介绍了ECA-ResNet50模型,用于准确识别茶叶植物疾病. 该模型增强了特征提取和注意力,达到93.06%的准确性,在复杂的花园背景中优于以前的方法.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 植物病理学 植物病理学
背景情况:
- 精确识别茶叶植物疾病对于作物管理至关重要.
- 茶园中的复杂背景对自动疾病检测构成重大挑战.
- 现有的方法经常在特征提取和背景干扰方面扎.
研究的目的:
- 开发一种先进的深度学习模型,用于精确识别茶叶疾病.
- 在复杂的现场条件下提高疾病检测的准确性和稳定性.
- 增强特征提取和注意力机制,以更好地识别目标.
主要方法:
- 优化ResNet50架构的使用.
- 实施多层小型卷积内核战略,以增强特征提取.
- 整合ECA (道注意力) 机制,专注于关键疾病特征.
主要成果:
- 拟议的ECA-ResNet50模型在茶叶疾病识别中实现了93.06%的准确率.
- 与原来的ResNet50模型相比,显示了3.18%的精度改善.
- 在其他植物类别的数据集上表现出卓越的概括能力,减轻复杂的背景干扰.
结论:
- ECA-ResNet50模型有效地解决了在复杂的茶园环境中识别茶叶疾病的挑战.
- 该模型的增强特征提取和注意力机制导致疾病目标的精确识别.
- ECA-ResNet50显示出在农业疾病监测系统中实际应用的巨大潜力.
