增强的循环囊网络与 hyrbid优化模型用于病检测
A Sundar Raj1, S Senthilkumar2, R Radha3
1Department of Biomedical Engineering, E.G.S. Pillay Engineering College, Nagapattinam, 611002, Tamil Nadu, India. drasr18@gmail.com.
Scientific reports
|March 27, 2025
概括
这项研究引入了一种增强的复发性囊网络 (ERCN),以改善病的检测. 这种新型模型在识别各种疾病方面取得了很高的准确性,超过了现有的可持续水产养殖方法.
科学领域:
- 水产养殖是水产养殖的一种方式.
- 生物技术是生物技术.
- 计算机视觉 计算机视觉
背景情况:
- 疾病检测对于养殖的可持续性至关重要.
- 早期检测病毒感染可以防止严重的经济损失.
- 当前的图像处理模型需要提高多种疾病检测的准确性.
研究的目的:
- 开发一种新的疾病检测模型,用于使用增强的复发性囊网络 (ERCN) 的.
- 通过结合哈里斯·霍克斯优化 (HHO) 和海洋捕食者算法 (MPA) 的混合优化模型来提高检测性能.
- 用一个单一的,改进的模型准确地分类各种病.
主要方法:
- 使用了增强的反复囊网络 (ERCN),具有动态囊路由和反复层,用于空间和时间特征提取.
- 集成的空间和道注意力模型,以实现最佳的特征选择和融合.
- 采用双层特征融合,将本地和全球图像特征结合起来.
- 应用混合优化 (HHO + MPA) 来微调分类器参数.
主要成果:
- 拟议的ERCN模型与传统的循环神经网络 (RNN),卷积神经网络 (CNN),门式循环单元 (GRU) 和长短期记忆 (LSTM) 网络相比,表现优越.
- 实现了高检测准确度 (95.2%),精度 (94.9%),回忆 (93.5%) 和F1得分 (94.6%).
- 有效地使用单一的综合模型对不同的病进行了分类.
结论:
- 具有混合优化的新型ERCN模型显著提高了病检测的准确性和可靠性.
- 这种方法为早期准确诊断养殖中的多种疾病提供了有希望的解决方案.
- 这些发现有助于加强疾病管理策略,确保养殖业的健康和可持续性.
