相关实验视频
Updated: Sep 10, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
491
使用快速渐变标志法训练的视觉变换器提高常见豆类疾病的检测能力
Upendo Mwaibale1, Neema Mduma1, Hudson Laizer2
1Computational and Communication Science and Engineering (CoCSE), The Nelson Mandela African Institution of Science and Technology (NM-AIST), Arusha, Tanzania.
Frontiers in artificial intelligence
|August 22, 2025
概括
在坦桑尼亚早期发现常见的豆类疾病至关重要. 使用视觉转换器 (ViT) 和对抗训练的新深度学习模型实现了99.4%的准确性,用于农场中基于移动的强大疾病检测.
科学领域:
- 农业科学
- 计算机科学
- 植物病理学
背景情况:
- 坦桑尼亚的豆类生产面临诸如豆和豆腐等疾病的严重威胁.
- 有效的疾病管理取决于及时准确的早期检测系统.
研究的目的:
- 开发一个强大的深度学习模型来早期发现常见的豆类疾病.
- 提高对现实农场条件的模型可靠性,特别是在资源有限的环境中.
主要方法:
- 一个基于视觉转换器 (ViT) 的深度学习模型被开发并通过对抗训练来增强.
- 使用几何,颜色和FGSM扰动来模拟场变性的100,000个注释图像的数据集.
- 该模型使用转移学习进行了微调,并通过交叉验证进行了验证.
主要成果:
- 这种对抗训练显著提高了模型对抗图像干扰的稳定性.
- 微调的ViT模型在疾病检测方面达到99.4%的高精度.
- 该研究表明该模型对基于移动的植物疾病诊断的有效性.
结论:
- 整合对抗性强度有效提高植物疾病检测的深度学习模型的可靠性.
- 开发的模型有望在资源有限的农业环境中在基于移动的疾病诊断中得到实际应用.
- 这种方法有助于减轻农作物损失,改善依赖常豆生产的地区的粮食安全.
