Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: Jan 14, 2026

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
08:20

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images

Published on: October 27, 2023

2.5K

LDSL框架:一种轻量级的双流学习框架,用于小麦疾病检测.

Lei Feng1,2, Mingliang Li1, Guanshi Ye1

  • 1College of Electrical and Information Engineering, Jilin Agricultural Science and Technology University, Jilin, 132101, China.

Plant methods
|October 24, 2025
PubMed
概括

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

The Performance Evolution of Porous Asphalt Mixtures in Hot In-Place Recycling with the Addition of Different Rejuvenators.

Materials (Basel, Switzerland)·2026
Same author

Multi-dimensional laboratory characterization: VOCs emission and evolution in warm-mix synchronous rejuvenated (WMA-SR) asphalt pavement throughout construction stages.

Environmental pollution (Barking, Essex : 1987)·2026
Same author

Genome-wide association studies and QTL mapping for traits deviating from normal distribution.

National science review·2026
Same author

A Comparative Analysis of the Properties of Coal Liquefaction Residues and Limestone Fine Aggregates.

Materials (Basel, Switzerland)·2026
Same author

Spiritual leadership and service performance among Chinese flight attendants: The mediating effects of meaningful work and work engagement.

PloS one·2026
Same author

Graphene oxide-modified Ni<sub>1.5</sub>Mg<sub>1.5</sub>Al<sub>1</sub>-LDH/g-C<sub>3</sub>N<sub>4</sub> composites for efficient photocatalytic degradation toward ciprofloxacin.

Environmental research·2026
此摘要是机器生成的。

一个新的轻量级双流学习 (LDSL) 框架使用全球和本地特征分析准确检测小麦疾病. 这种高效的方法显示出对现实世界农业应用的希望,资源有限.

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:

  • 小麦疾病显著影响作物产量和质量.
  • 深度学习模型在现场条件下与复杂的背景和各种损伤形状作斗争.
  • 现有的方法面临着有限的计算资源和边缘设备限制的挑战.

研究的目的:

  • 开发一种轻量级且准确的小麦疾病检测框架.
  • 解决现有深度学习模型在现实世界农业场景中的局限性.
  • 为了在边缘设备上实现有效的疾病识别.

主要方法:

  • 引入了一个轻量级的双流学习 (LDSL) 框架.
  • 采用全球-本地双流架构来进行全面的特征提取.
  • 使用动态静态双重注意力 (DSDA) 机制进行细粒度分析.
  • 实现了Kullback-Leibler (KL) 差异扰动,以提高强度.

主要成果:

  • 实现了高精度 (94.44%),精度 (94.47%),回忆 (94.44%) 和F1得分 (94.45%).
  • 超过了像ConvNeXt-T.T.这样的主流模型的表现.
  • 展示了一个轻量级设计,参数为4.41M,FLOP为1.71G.
关键词:
计算机视觉 计算机视觉 计算机视觉深度学习是一种深度学习.精准农业 精准农业 精准农业小麦病检测检测小麦病检测

更多相关视频

Fully Automated Leg Tracking in Freely Moving Insects using Feature Learning Leg Segmentation and Tracking FLLIT
08:04

Fully Automated Leg Tracking in Freely Moving Insects using Feature Learning Leg Segmentation and Tracking FLLIT

Published on: April 23, 2020

7.2K

相关实验视频

Last Updated: Jan 14, 2026

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
08:20

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images

Published on: October 27, 2023

2.5K
Fully Automated Leg Tracking in Freely Moving Insects using Feature Learning Leg Segmentation and Tracking FLLIT
08:04

Fully Automated Leg Tracking in Freely Moving Insects using Feature Learning Leg Segmentation and Tracking FLLIT

Published on: April 23, 2020

7.2K
  • 在边缘设备 (NVIDIA Jetson Orin Nano) 上展示了高效的性能,存储和内存要求低.

    • 结论:

    • 该LDSL框架显著改善了小麦疾病检测指标.
    • 该框架的低计算成本和参数数量使其适合实际部署.
    • 这项研究为农业疾病识别提供了新且高效的解决方案.