ST-CFI:带有卷积特征相互作用的Swin变压器,用于识别植物疾病
Sheng Yu1, Li Xie2, Liang Dai3
1School of Information Engineering, Shaoguan University, Daoxue road, 512000, Shaoguan, Guangdong, China. ys_xm@sgu.edu.cn.
Scientific reports
|July 10, 2025
概括
一个新的深度学习模型,Swin转换器与卷积特征交互 (ST-CFI),准确地从叶子图像中检测植物疾病. 这一进步有助于精准农业,并通过改善作物产量预测来提高粮食安全.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 全球粮食安全受到人口增长和有限的耕地威胁.
- 早期和准确的植物疾病鉴定对于最大限度地减少作物损失和提高农业产量至关重要.
研究的目的:
- 引入具有卷积特征相互作用 (ST-CFI) 的Swin变压器,这是用于检测植物疾病的深度学习框架.
- 评估ST-CFI模型在各种植物疾病数据集中的表现.
主要方法:
- 该ST-CFI模型集成了卷积神经网络 (CNN) 和Swin变压器,用于本地和全球特征提取.
- 一个初始架构和跨道的功能学习被用于增强的功能提取.
- 该模型在五个数据集上进行了测试:PlantVillage,植物病理2021年,PlantDoc,AI2018和iBean.
主要成果:
- 该ST-CFI模型实现了高精度,包括PlantVillage上的99.96%,iBean上的99.22%,AI2018上的86.89%,PlantDoc.的77.54%.
- 该模型在不同数据集中展示了强度和概括能力.
- 高精度和F1分数,损失值低,证实了该模型在学习歧视性特征方面的有效性.
结论:
- 该ST-CFI模型在早期和准确的植物疾病检测方面取得了重大进展.
- 该框架是精准农业的一个有价值的工具,有助于农业的可持续性和生产力.
- 整合CNN和变压器可以增强特征提取,从而改善植物疾病的识别.
