相关实验视频
Updated: Sep 12, 2025
08:14
LeafJ: An ImageJ Plugin for Semi-automated Leaf Shape Measurement
Published on: January 21, 2013
28.7K
基于变压器框架的轻量级葡萄叶病识别方法
Ning Zhang1, Enxu Zhang2, Guowei Qi2
1Engineering Research Center of Hydrogen Energy Equipment & Safety Detection, Universities of Shaanxi Province, Xijing University, Xi'an, 710123, China. zhangning@xijing.edu.cn.
Scientific reports
|August 7, 2025
概括
这项研究引入了一种新的深度学习模型来识别葡萄叶病,提高了小样本场景的准确性. 该方法增强了数据平衡和特征融合,以更有效地检测农业疾病.
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:
- 准确的葡萄疾病识别对于防止产量损失至关重要.
- 小样本条件在特征提取和葡萄叶病检测数据增强方面带来了挑战.
研究的目的:
- 为了解决葡萄叶病在小样本识别方面的局限性.
- 提出一种新的深度学习方法,将多尺度特征融合和生成数据增强相结合.
主要方法:
- 开发了一个多规模的功能混合融合架构,并增强了数据增强.
- 引入了LVT块 (幽灵和变压器),用于多规模和全球信息感知.
- 通过结合LVT和MARI块来提供更丰富的特征表示和疾病区域感知,提出了DLVT块,形成了DLVTNet模型.
主要成果:
- 在新植物疾病数据集上实现了98.48%的平均识别率.
- 将模型参数减少到MobileNetV4的42.7%,同时保持高精度.
- 在番茄叶病检测中显示了96.12%的准确性,表明强烈的概括性.
结论:
- 拟议的DLVTNet有效地缓解了智能农业检测中的样本不足.
- 该方法提供了一种新的疾病检测系统,具有强大的解释性和出色的概括性.
