使用EfficientNet-CBAM混合模型对小麦生的自动化严重程度估计
Sapna Nigam1, Rajni Jain2, Vaibhav Kumar Singh3
1Division of Computer Applications, Indian Council of Agricultural Research (ICAR)-Indian Agricultural Statistics Research Institute, New Delhi, India.
Frontiers in plant science
|June 9, 2025
概括
准确估计小麦生严重程度对于作物保护至关重要. 这项研究使用EfficientNet和注意力机制开发了一个自动化模型,实现了早期疾病检测和管理的高精度.
科学领域:
- 农业科学 农业科学
- 植物病理学 植物病理学
- 计算机视觉 计算机视觉
背景情况:
- 小麦生病导致全球农作物大幅损失,影响产量和质量.
- 准确和及时的疾病严重程度估计对于有效的农业管理至关重要.
- 早期发现小麦生可以迅速干预,以减轻作物损害.
研究的目的:
- 开发一个自动化模型,准确地估计小麦生严重程度的阶段.
- 改进植物疾病识别的深度学习模型中的特征提取.
- 创建一个实用的工具,用于实地实时评估疾病.
主要方法:
- 使用了EfficientNet-B0架构与卷积式区块注意模块 (CBAM) 集成.
- 在一组多样化的小麦生 (条纹,茎,叶) 和健康植物的图像数据集上训练模型.
- 将疾病的严重程度分为四个阶段:健康,低,中,高.
主要成果:
- 拟议的模型实现了99.51%的高训练精度和96.68%的测试精度.
- 与其他最先进的卷积神经网络 (CNN) 模型相比,其表现优越.
- 开发了一个Android应用程序,用于实时的小麦生严重程度分类.
结论:
- 与CBAM一起开发的EfficientNet-B0模型有效地自动化了小麦生严重程度的估计.
- 该系统为在小麦种植中早期发现和管理疾病提供了有前途的解决方案.
- 移动应用程序为农民提供了一个用户友好的工具来监测作物健康状况.
