相关实验视频
Updated: Apr 12, 2026
08:14
LeafJ: An ImageJ Plugin for Semi-automated Leaf Shape Measurement
Published on: January 21, 2013
29.3K
斯温-YOLO-SAM:一个混合型基于变压器的框架,集成Swin变压器,YOLOv12和SAM-2.1.1,用于自动识别和细分枣树叶疾病
Ali Saeed Alzahrani1, Abid Iqbal1, Wisal Zafar2
1Department of Computer Engineering, College of Computer Sciences and Information Technology, King Faisal University, Al Ahsa, Saudi Arabia.
Frontiers in plant science
|October 1, 2025
概括
一个新的深度学习框架使用先进的AI模块准确诊断枣树疾病. 这种方法通过改善疾病检测,细分和严重程度预测来增强精准农业,即使数据有限.
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:
- 枣树种植面临着真菌,细菌和害虫病的重大威胁,影响产量和可持续性.
- 传统的疾病监测方法是劳动密集型的,缺乏可扩展性,在现实世界条件下表现不佳.
- 目前的深度学习模型,如卷积神经网络 (CNN),需要大量的数据集,并与复杂的视觉症状作斗争.
研究的目的:
- 开发创新的混合变压器深度学习框架,用于自动和准确诊断枣树疾病.
- 克服现有方法在处理低注释数据和复杂环境因素方面的局限性.
- 改善疾病检测,细分和严重性预测,以提高精确农业.
主要方法:
- 这是一个混合深度学习框架,集成了Swin Transformer,YOLOv12,Grounding DINO与SAM2.1以及Vision Transformer (ViT).
- 利用四个复杂的模块进行分级分类,实时检测,零射击细分和疾病严重程度预测.
- 通过对13,459张枣树叶图像的数据集来训练和评估模型.
主要成果:
- 拟议的模型实现了高性能指标:98.91%的分类精度,98.85%的精度,96.8%的回忆和96.4%的F1分数.
- 与之前的基于CNN的模型相比,在检测和细分疾病方面表现优越.
- 在低注释和不利的环境条件下成功量化了疾病严重程度.
结论:
- 混合变压器框架为枣树种植中自动化,可扩展和可解释的疾病诊断提供了一个新的标准.
- 这种人工智能驱动的方法通过使早期和准确的疾病管理能够显著推进精准农业.
- 该模型能够在具有挑战性的现实场景中发挥作用,这突显了其在农业广泛应用的潜力.
