用于植物叶病识别的VMamba:设计和实验

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 农作物疾病威胁到农业生产,降低产量和质量.
• 机器视觉和人工智能在植物疾病识别方面表现有前途.
• 目前的深度学习模型与复杂的农业环境和小数据集作斗争,导致精度降低和培训时间延长.

研究的目的:

• 介绍VMamba,一个视觉骨干模型,用于农业植物疾病检测.
• 在植物疾病识别中解决计算复杂性,准确性和小样本大小的挑战.
• 提出DDHTLVMamba方法,将VMamba与扩散模型结合起来,并为小样本数据集转移学习.

主要方法:

• 实现了VMamba,这是一个具有选择性扫描机制的视觉骨干模型.
• 开发了DDHTLVMamba方法,整合了VMamba,扩散模型和转移学习.
• 评估了VMamba在各种数据集和训练策略上的性能,并将其与主流深度学习架构进行了比较.

主要成果:

• 在大型和小型数据集上,VMamba在疾病识别准确性方面超过了ResNet50,Vision Transformer和Swin Transformer.
• 与Swin变压器相比,VMamba实现了3.49%的精度增加和80%的训练时间减少.
• 该DDHTLVMamba方法有效地减少了小样本数据集的预训练时间,同时保持了高的识别准确性.

结论:

• VMamba为农业植物疾病检测提供了卓越的方法,提高了准确性和效率.
• 对于小样本农业数据集,DDHTLVMamba方法提供了有效的解决方案.
• 这项研究有助于推进智能农业疾病预防和控制技术.