DSTANet:一种轻量级和高精度的网络,用于在田间环境中细粒度和早期识别玉米叶病
Xinyue Gao1,2, Lili He1,3, Yinchuan Liu1,2
1College of Electrical Engineering and Information, Northeast Agricultural University, Harbin 150030, China.
Sensors (Basel, Switzerland)
|August 28, 2025
概括
一个新的模型,DSTANet,使用先进的人工智能精确识别玉米疾病, 这一突破支持可持续农业和精确作物管理,
科学领域:
- 农业科学
- 计算机视觉
- 人工智能
背景情况:
- 准确识别玉米疾病对于可持续农业至关重要.
- 现有的模型与类似的疾病表现,多样化的症状和早期检测扎.
研究的目的:
- 开发一种轻量级的高性能模型,用于早期准确地识别玉米叶病.
- 解决当前模型中关于类间相似性和类内可变性的局限性.
主要方法:
- 使用MobileViT骨干的拟议DSTANet (分解空间令牌聚合网络).
- 引入了分解空间融合模块 (DSFM) 来增强病变定位.
- 开发多尺度令牌聚合器 (MSTA) 以改善功能信息流.
主要成果:
- DSTANet实现了高准确度 (96.11%),精度 (96.17%),回忆 (96.11%) 和F1得分 (96.14%).
- 该模型具有轻量级 (1.9M参数) 和快速推断 (170图像/秒),适用于边缘设备.
- 成功区分了特定的玉米疾病的早期和晚期.
结论:
- DSTANet提供了一种新且实用的解决方案,用于识别细粒度,早期的玉米疾病.
- 该模型为智能农业和精确作物管理提供技术支持.
- 证明了结合CNN和变压器用于农业疾病检测的有效性.
更多相关视频
05:55High-throughput, Microscale Protocol for the Analysis of Processing Parameters and Nutritional Qualities in Maize Zea mays L.
Published on: June 16, 2018
7.1K
06:21Micron-scale Phenotyping Techniques of Maize Vascular Bundles Based on X-ray Microcomputed Tomography
Published on: October 9, 2018
8.9K
