以空间关注为指导的预先训练有素网络,用于准确识别作物疾病
Satrughan Kumar1, S S Aravinth2, Sreedhar Kollem3
1Department of Computer Science and Engineering, Koneru Lakshmaiah Education Foundation, Green Fileds, Vaddeswaram, A.P., 522502, India. satrughankumar@gmail.com.
Scientific reports
|July 3, 2025
概括
本研究介绍了使用EfficientNet-B3的先进作物疾病分类框架,其中包含空间注意模块,以提高准确性. 新模型准确地识别植物疾病,提高农业生产率.
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:
- 手动识别植物病是低效的,容易出现错误,影响农业生产率.
- 挑战包括不一致的照明,叶子变形和微妙的症状变化.
研究的目的:
- 开发一个增强的作物疾病分类框架,以准确有效地识别植物疾病.
- 通过结合先进的深度学习技术来改进现有方法.
主要方法:
- 使用EfficientNet-B3作为特征提取的基础,增强了辅助卷积层和空间注意模块 (ACSA).
- 集成的预处理和数据增强技术,以提高模型的适应性.
- 评估了模型与最先进的方法相比,如EffiNet-TS,PlantXViT和MobileNet V2.2.
主要成果:
- 实现了 99.89% 的分类准确率和 99.87% 的回忆率.
- 证明适用于作物分类,计算开销最小.
- 废弃研究证实了空间注意模块和辅助卷积层的显著贡献.
结论:
- 拟议的ACSA框架为作物疾病分类提供了一个高度有效的解决方案.
- 整合空间注意力和辅助卷积层显著提高了分类性能.
- 这种方法通过准确和有效的疾病管理来支持可持续农业.
