RTCB:一种集成的深度学习模型,用于识别大叶病
Jia Liu1,2, Jingrun Kan1, Xinjia Chen1
1School of Computer and Data Science, Henan University of Urban Construction, Pingdingshan, China.
Frontiers in plant science
|November 3, 2025
概括
一个新的深度学习模型,ResNet18,三重组,卷积块 (RTCB) 注意力机制,准确地识别了大叶疾病. 这种先进的方法为智能农业应用提供了更快的计算和更高的精度.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 白种植至关重要,但叶子疾病和害虫显著降低了作物产量.
- 传统的疾病检测方法耗时且缺乏准确性.
- 准确和高效的疾病识别对于智能农业至关重要.
研究的目的:
- 开发一种先进的深度学习模型,用于准确识别大叶病.
- 提高疾病检测中的计算效率和特征提取.
- 为农业自动化疾病监测提供可扩展的解决方案.
主要方法:
- 采用了升级的ResNet18架构,并为提高效率采用了部分卷积.
- 引入了三重注意力机制,以加强对关键疾病特征的关注.
- 在每个残余层中添加了一个卷积块注意力机制,以改善特征感知.
主要成果:
- 拟议的ResNet18,三重,卷积块 (RTCB) 注意模型实现了98.90%的分类准确性.
- 在准确性和速度方面,RTCB模型超过了其他领先的深度学习模型.
- 该模型表现出卓越的识别精度和概括能力.
结论:
- RTCB模型为检测大叶病提供了一个高度准确和高效的解决方案.
- 这种方法为智能农业中的自动化疾病监测提供了有价值的技术参考.
- 该模型的效率支持在边缘计算设备上部署实际应用.
