混合深度学习模型用于日手掌疾病分类:混合Conv混合器和视觉转换器的融合
Taifa Ayoub Mir1, Salil Bharany1, Rupesh Gupta1
1Chitkara University Institute of Engineering and Technology Chitkara University Rajpura Punjab India.
Food science & nutrition
|October 24, 2025
概括
这项研究引入了一种自动化系统,用于检测棕树的疾病,如棕色斑点和白色. 混合Conv-ViT模型实现了99.89%的准确性,改善了农业中的疾病识别.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 植物病理学 植物病理学
背景情况:
- 枣树种植对于干旱地区至关重要,但棕斑和白斑等疾病显著降低了产量.
- 手动检测疾病是劳动密集型,容易出现错误,并且对于大规模的农业操作来说是低效的.
研究的目的:
- 开发一个自动化系统,准确地分类枣树叶疾病.
- 提高在枣树种植中检测疾病的可靠性和效率.
主要方法:
- 开发了一种新型组合模型,将混合动力卷积混合器 (HybridConv) 和视觉变压器 (ViT) 结合起来.
- 该模型被训练在健康和生病的枣树叶图像的数据集上,包括数据增强以提高强度.
- 混合Conv组件专注于本地特征检测,而ViT处理全球特征分析.
主要成果:
- 开发的HybridConv-ViT模型在分类棕色斑点,白斑和健康的枣树叶方面取得了99.89%的高准确性.
- 整体模型在精度,回忆和F1分数方面超过了传统的单个卷积神经网络 (CNN) 模型.
- 数据增强进一步提高了该模型在疾病识别中的可靠性.
结论:
- 混合Conv-ViT组合模型提供了一个高度准确和高效的自动化解决方案,用于检测枣树疾病.
- 这项技术有可能显著提高棕树农业的疾病管理和生产率.
- 自动化疾病分类系统对于在具有挑战性的环境中实现可持续农业实践至关重要.
