一种紧的深度学习方法,整合了深度卷曲和空间注意力,用于植物疾病分类
Amreen Batool1, Jisoo Kim2, Yung-Cheol Byun3
1Department of Electronic Engineering Institute of Information Science & Technology, Jeju National University, Jeju, 63243, Korea.
Plant methods
|April 2, 2025
概括
一个新的轻量级深度学习模型 (LWDSC-SA) 准确地检测植物叶病. 这种高效的模型可以改善资源有限的农业环境中的作物健康管理.
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:
- 植物疾病对农业生产率和全球粮食安全构成重大威胁.
- 现有的深度学习模型难以处理复杂的叶子特征,并且在农场部署时计算成本昂贵.
研究的目的:
- 开发一种轻量级的深度学习模型,以高效准确地检测植物疾病.
- 提高特征提取能力,以改善植物叶病的分类.
主要方法:
- 提出了一种新的轻量级深度学习模型,具有深度可分离的卷积和空间注意力 (LWDSC-SA).
- 在PlantVillage数据集 (38个类别,55,000张图像) 上评估模型.
- 使用K折交叉验证 (K=5) 来评估稳定性和通用性.
主要成果:
- 在PlantVillage数据集上获得了98.7%的准确性,表现优于MobileNet,MobileNetV2,AlexNet和VGGNet16.
- 通过K倍交叉验证证明了高平均性能:98.58%的准确性,98.30%的精度,98.90%的回忆率和98.58%的F1得分.
- LWDSC-SA模型在特征提取方面被证明是计算高效和有效的.
结论:
- LWDSC-SA模型为植物疾病检测提供了优越,轻量级和高效的解决方案.
- 在资源有限的农业环境中实现有效的作物健康管理.
- 通过准确和可访问的疾病识别,为可持续的农业实践做出贡献.
