VGG-EffAttnNet:混合深度学习模型用于自动化植物疾病分类,使用VGG16和EfficientNetB0与注意力机制
Ritu Rani1, Salil Bharany1, Dalia H Elkamchouchi2
1Chitkara University Institute of Engineering and Technology Chitkara University Rajpura Punjab India.
Food science & nutrition
|July 25, 2025
概括
一个新的混合深度学习模型,VGG-EffAttnNet,使用VGG16和EfficientNetB0.0准确地分类植物疾病. 这种先进的模型达到99%的准确性,有助于精准农业和减少化学处理.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 机器学习 机器学习
背景情况:
- 植物疾病对全球农业构成重大威胁.
- 准确和快速的疾病分类对于有效的作物管理和产量保存至关重要.
研究的目的:
- 开发和评估一种新的混合深度学习模型,VGG-EffAttnNet,用于强大的植物疾病分类.
- 提高农业中自动化疾病检测系统的准确性和可靠性.
主要方法:
- 提出了一个混合深度学习架构 (VGG-EffAttnNet),将VGG16和EfficientNetB0与注意力机制和蒙特卡洛丢失 (MCD) 结合起来.
- 广泛的数据增强被应用到5000个植物图像的数据集,分布在五个类别 (健康,叶子卷,叶子斑,白,黄色).
- 使用特征提取,基于注意力的精细化和不确定性估计的MCD来提高分类性能.
主要成果:
- VGG-EffAttnNet模型实现了99%的分类准确度,99%的精度和回忆,优于单个模型和最先进的方法.
- 在所有疾病类别中,F1得分达到了99%,表明了高分类有效性.
- 与InceptionV3 (98.83%) 和MobileNet (97.18%) 相比,混合模型显示出更高的稳定性和准确性.
结论:
- 拟议的VGG-EffAttnNet模型为智利植物疾病的自动分类提供了一个高度准确和强大的解决方案.
- 这种深度学习方法具有显著的潜力,可以通过早期疾病干预和减少对化学品的依赖来推进精准农业.
- 未来的研究将侧重于实时部署,可解释性和分散农业诊断的联合学习.
