一个可解释的混合特征聚合网络与剩余初始定位编码注意力和EfficientNet用于麻叶病疾病分类

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 植物病理学 植物病理学

背景情况:

• 大麻叶病严重影响作物产量,农民生计和市场稳定.
• 传统的手动疾病诊断是低效的,昂贵的,劳动密集的.
• 现有的自动化方法难以应对麻瓜叶病症状的复杂性和变异性.

研究的目的:

• 开发一个准确和高效的自动化系统来分类麻豆叶病.
• 克服当前处理复杂和可变疾病症状的方法的局限性.
• 引入一种新的双轨特征聚合架构,以改善疾病分类.

主要方法:

• 提出了一种新的双轨特征聚合架构,将剩余开始位置编码注意力 (RIPEA) 网络与EfficientNet集成在一起.
• RIPEA轨道使用了剩余连接和多尺度特征融合与协调和混合注意力机制.
• 在模型培训中使用图像增强和等号衰变学习速率的时间表.
• 应用Grad-CAM用于模型解释性和对分类决策的视觉解释.

主要成果:

• 拟议的模型实现了93.06%的分类准确度,可以区分菜细菌病 (CBB),棕色菌株病 (CBSD),绿 (CGM),马赛克病 (CMD) 和健康的菜叶.
• 双轨架构有效地整合了本地纹理和全球结构,以便准确的分类.
• 格拉德-CAM提供了对模型决策过程的视觉洞察,突出了关键的叶片区域.

结论:

• 新的双轨特征聚合架构在分类麻叶疾病方面表现出高效.
• 这种人工智能驱动的方法为准确和高效的疾病诊断提供了有希望的解决方案,支持可持续农业.
• 该模型的可解释性提高了对自动化疾病管理系统的信任和理解.