一个基于注意力的新型视觉转换器,通过混合优化算法优化,用于黄叶病检测
R Selvaraj1, M S Geetha Devasena2
1Department of Computer Science and Engineering, Dr.N.G.P. Institute of Technology, Coimbatore, Tamil Nadu, 641048, India. selvaraj.r2029@gmail.com.
Scientific reports
|May 18, 2025
概括
结合视觉变压器 (ViT) 和混合猎-鸟优化 (FBO) 的新型号显著改善了黄叶病的检测. 这种方法提高了准确性,这对于保持作物健康和优化黄产量至关重要.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 发现黄叶病对作物健康和产量优化至关重要.
- 现有的方法与复杂的叶子特征作斗争,导致精度和可靠性降低.
- 特性提取的局限性阻碍了现有的黄病检测模型的现实应用.
研究的目的:
- 为黄开发一种新的叶病检测模型.
- 克服现有方法在特征提取和分类准确性方面的局限性.
- 为了提高黄叶病检测的整体性能和可靠性.
主要方法:
- 建议采用混合型模型,将视觉变压器 (ViT) 与混合型猎-鸟优化 (FBO) 集成在一起.
- 黄图像使用直方图平衡进行了预处理,然后将其分为ViT处理的补丁.
- 对于相关补丁代币化,ViT利用了自我注意机制,而FBO则优化了超参数,以改善融合和性能.
主要成果:
- 拟议的混合优化ViT模型在黄叶病检测中实现了97.03%的准确性.
- 绩效评估包括精度,回忆和F1评分在黄叶病数据集上.
- 该模型的性能优于AlexNet (95.5%准确率),并优化了MobileNetv3 (96.8%准确率).
结论:
- 新的混合优化ViT模型在黄叶病检测方面表现出卓越的性能.
- ViT和FBO的整合有效地解决了特征提取和分类准确性的限制.
- 这种先进的方法为现实世界黄作物监测和管理提供了更高的可靠性.
