基于图像和文本信息融合的疾病便的高精度识别方法
Duanli Yang1,2, Zishang Tian1,2, Jianzhong Xi3
1College of Information Science and Technology, Hebei Agricultural University, Baoding 071001, China.
Animals : an open access journal from MDPI
|August 14, 2025
概括
这项研究引入了一种多式人工智能模型,用于使用便图像和文字诊断家禽疾病. 这种新的方法显著提高了诊断准确性,为食品安全和农业健康监测提供了强大的工具.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 兽医医学 兽医医学 兽医医学
背景情况:
- 对家禽便的分析对于食品安全和疾病检测至关重要.
- 目前用于便分析的视觉方法受到环境因素和疾病相似性的限制.
- 准确的病理识别家禽便对于及时干预至关重要.
研究的目的:
- 开发一种多式融合模型,以加强便的病理识别.
- 为了提高诊断准确度,超越传统的单模式方法.
- 减少便分析中的注释依赖性和计算成本.
主要方法:
- 拟议的MMCD (多式便诊断),一个基于ResNet50的模型,集成图像和文本数据.
- 整合了曼哈顿自我注意 (MASA) 和深度可分离卷积 (DSconv) 来改进特征提取.
- 采用预先训练的BERT来提取文本特征,以及一个Gated Cross-Attention (GCA) 模块来实现高效的多式联络融合.
主要成果:
- 在准确度 (+8.69%),回忆力 (+8.72%),精度 (+8.67%) 和F1得分 (+8.72%) 方面,MMCD显著超过了单一模式基线.
- 与标准跨模式变压器相比,实现了41%的参数减少.
- 与简单特征连接相比,其表现优于简单特征连接的2.51-2.82%.
结论:
- 多式融合在家禽病理性便检测方面非常有效.
- MMCD模型为农业健康监测提供了强大,高效和准确的解决方案.
- 这项研究为食品安全和动物健康领域的先进人工智能驱动系统提供了基础.


