在可持续农业中,人工智能驱动的智能农业使用混合变压器-CNN用于实时疾病检测

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:

• 植物病严重威胁全球粮食安全和农业生产力.
• 准确和早期的疾病检测至关重要,但由于噪音和可变照明等环境因素而具有挑战性.
• 现有的人工智能 (AI) 和深度学习方法与现实世界农业条件作斗争.

研究的目的:

• 引入AttCM-Alex模型,这是一种用于增强植物疾病检测和分类的新型深度学习框架.
• 提高人工智能模型在不利的环境条件下检测植物疾病的稳定性.
• 为应对农业环境中图像噪声和波动光强度所带来的挑战.

主要方法:

• 开发了AttCM-Alex模型,将卷积运算与自我注意机制集成在一起.
• 模拟实际的农业场景,使用双线插值,并引入盐和胡噪声.
• 通过不同的图像亮度水平 (±10%,±20%,±30%) 评估模型的稳定性.

主要成果:

• 与传统模型相比,AttCM-Alex表现出优越的性能,特别是在波动的光线和噪声下.
• 实现了0.97的峰值检测准确度,图像亮度增加了30%.
• 即使在图像亮度下降30%时,也保持了高精度 (0.93),证实了强度.

结论:

• 亚特CM-亚历克斯模型是用于现实世界农业应用的强大而可靠的工具.
• 这种人工智能的进步提高了植物疾病检测系统的准确性和效率.
• 有助于改善作物管理,可持续农业和全球粮食安全.