混合深度学习用于智能麦疾病诊断,使用自我监督的层次重建和基于注意力的时间分析

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:

• 准确和早期发现米疾病对于作物产量和粮食安全至关重要.
• 传统的方法是劳动密集型,耗时,需要领域专业知识.
• 目前的深度学习模型缺乏用于早期疾病预测的时间信息.

研究的目的:

• 利用空间和时间数据开发一种用于早期发现米病的新框架.
• 为了提高疾病识别准确性和米种植的效率.
• 为了解决捕获早期疾病指标的现有方法的局限性.

主要方法:

• 拟用于空间数据分析的自主监督深层次重建 (SSDHR).
• 使用长短期内存 (LSTM) 进行时间数据分析.
• 集成的对称融合注意 (SFA) 功能选择和XGBoost (XGB) 分类器稳定性.

主要成果:

• 拟议的框架在识别和分类13种米类别方面实现了99.25%的准确性.
• 成功检测疾病,包括爆发,棕色斑点和细菌瘟疫.
• 证明了结合空间和时间数据用于早期疾病检测的有效性.

结论:

• 新的框架有效地使用集成的空间和时间数据早期检测病.
• 这种方法比传统方法和现有的深度学习模型有了显著的改进.
• 这项技术有可能提高作物产量,并有助于粮食安全.