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
概括
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.
- 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.
