一个超轻量级可解释的卷积视觉变压器融合模型用于植物疾病识别:ConViTX

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:

• 植物疾病导致全球农作物大幅损失,影响农业产业.
• 目前用于检测植物疾病的物联网和人工智能解决方案面临着各种作物的挑战,有限的概括性和数据稀缺性.
• 现有的深度学习模型往往缺乏可解释性,并与现实世界的实地数据作斗争.

研究的目的:

• 提出一种轻量级和高效的模型,ConViTX,用于植物疾病分类.
• 提高基于人工智能的植物疾病检测系统的概括性和解释性.
• 开发适合资源有限的精密农业设置的解决方案.

主要方法:

• 开发了"ConViTX",一个紧的模型,融合了卷积神经网络和视觉变压器.
• 利用梯度加权类激活地图和局部可解释的模型不可知性评估来解释模型.
• 在四个公共数据集和一个自行收集的田间玉米数据集上评估了模型.

主要成果:

• ConViTX的性能超过了九种最先进的深度学习方法.
• 在玉米数据集上达到98.8%的准确性,在无人机捕获的原始图像上达到61.42%.
• 该模型每秒只有70万个参数和6470亿次操作.

结论:

• ConViTX为植物疾病分类提供了更好的概括性和解释性.
• 该模型的轻量级性质使其适合在精密农业中部署.
• 这项研究有助于为作物疾病管理提供更有效和更容易获得的AI解决方案.