一个新的变压器使用增强动态范围的离散等号变换来检测豆叶疾病
Ibrahim Furkan Ince1, Harisu Abdullahi Shehu2, Shaira Osmani3
1Department of Software Engineering, Istinye University, Istanbul, Türkiye.
Frontiers in plant science
|September 15, 2025
概括
早期发现豆叶疾病至关重要. 一种名为DCT-Transformers的新方法使用动态范围增强离散等比变换 (DRE-DCT) 来提高机器学习分类准确度,帮助农业疾病管理.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 早期发现豆叶病对农业生产率至关重要.
- 微妙的疾病指标可能对人类和机器检测具有挑战性.
- 有效的疾病识别支持作物管理和粮食安全.
研究的目的:
- 开发一种先进的机器学习方法,用于准确地分类豆叶疾病.
- 加强特征提取,以改善农业疾病检测.
- 解决当前用于植物病理学的机器学习方法的局限性.
主要方法:
- 拟议的DCT-变压器方法将动态范围增强离散等位数变换 (DRE-DCT) 预处理与变压器模型相结合.
- DRE-DCT通过提取高频和微妙细节来增强图像动态范围.
- 变压器模型对DRE-DCT预处理前后的豆叶图像进行分类.
主要成果:
- 使用DCT变压器,预处理图像的分类准确率达到99.56%,远高于未预处理图像的95.92%.
- 该方法的性能优于现有的最先进的方法 (低于94%) 和类似研究 (低于98.5%).
- 通过DRE-DCT进行增强的特征提取可证明改善了疾病分类性能.
结论:
- 拟议的DCT-Transformers方法为早期检测豆叶病提供了一种高效和高度准确的解决方案.
- 改进的特征提取是推动机器学习在农业疾病诊断中的关键.
- 这种方法有助于更好的疾病管理策略和全球粮食安全.


