开发一种统一的深度学习方法,整合基于CNN的本地和基于ViT的全球特征提取,以加强棉花疾病和害虫分类
L K Dhruw1, V K Tewari1, Peeyush Soni1
1Indian Institute of Technology Kharagpur, Kharagpur, West Bengal, 721302, India.
Plant methods
|November 4, 2025
概括
混合CNN-ViT模型在分类棉花疾病和害虫方面实现了98.5%的准确性,优于单独的CNN和视觉变压器模型. 这一进步有助于保护棉花生产免受各种威胁.
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:
- 棉花生产面临着疾病和害虫的重大威胁,需要精确的分类方法.
- 现有的方法缺乏提取本地特征和捕捉全球背景的综合能力,以提高准确性.
研究的目的:
- 开发和评估用于分类棉花疾病和害虫的先进模型.
- 为了比较卷积神经网络 (CNN),视觉转换器 (ViT) 和混合CNN-ViT模型的性能.
主要方法:
- 训练和评估了三个模型:CNN,ViT (2层和4层变体) 和混合CNN-ViT.
- 使用了八种棉花疾病和害虫类别的数据集:虫,军,细菌病,棉花烂,绿色棉花,健康,粉状菌和目标点.
主要成果:
- 混合CNN-ViT模型实现了最高的平均测试准确率,达到98.5%.
- 美国有线电视新闻网的模型表现强,准确率为97.9%.
- 四层ViT模型实现了97.2%的准确性,超过了两层变体 (96.3%).
结论:
- 混合CNN-ViT模型有效地整合了本地和全球特征提取,用于优越的棉花疾病和害虫分类.
- 未来的工作包括数据集的扩展和与实际农业应用的自主系统的集成.
