增强的残留注意力深度神经网络用于玉米叶图像中的疾病分类
Nidhi Parashar1, Prashant Johri2, Ahmed Elbeltagi3
1School of Computer Science and Engineering , Galgotias University, Noida, Uttar Pradesh, 201308, India.
Scientific reports
|August 11, 2025
概括
这项研究介绍了MaizeNet,这是一种用于准确分类玉米叶病的深度学习模型. 该模型实现了高精度,有助于作物管理和食品可持续性.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 植物病理学 植物病理学
背景情况:
- 准确地对玉米进行疾病分类对于农业生产率和全球粮食安全至关重要.
- 深度学习,特别是卷积神经网络 (CNN),显示出对基于图像的自动分类任务的重大前景.
研究的目的:
- 开发和评估MaiseNet,一种新的CNN模型,用于精确识别玉米叶中的疾病.
- 通过注意力机制和残留学习来提高模型效率和性能.
主要方法:
- 开发MaizeNet,一个CNN,结合注意力机制和残留学习.
- 实施五重交叉验证策略,以实现可靠的模型通用化.
- 利用宏观平均指标来解决数据集中的阶级不平衡.
主要成果:
- MaizeNet实现了高性能指标:F1得分 (0.9509),回忆 (0.9497),精度 (0.9525) 和准确性 (0.9595).
- 该模型在对玉米叶病的分类方面表现出强度和可靠性.
- 注意力和残留学习组件有助于改善梯度流和特征焦点.
结论:
- 玉米网为玉米疾病分类提供了可靠和高效的自动化解决方案.
- 开发的模型支持及时的农业干预,提高作物产量和粮食可持续性.
- 这项研究强调了先进的深度学习技术在精准农业中的潜力.
