葡萄树菌和特征提取方法的分级,用于从相轴叶图像中预测轴病变

科学领域:

• 植物病理学 植物病理学
• 计算机视觉 计算机视觉
• 农业技术 农业技术

背景情况:

• 准确地分类葡萄藤是有效使用农药的关键.
• 典型的疾病症状出现在叶子的轴 (下侧) 表面,使严重程度的评估复杂化.
• 现有的方法与不规则的病变形状和模糊的边界作斗争,需要先进的技术.

研究的目的:

• 开发一个全面的框架来分类葡萄藤菌的严重程度.
• 创建轻量级和准确的疾病分类模型.
• 通过改善严重程度评估,实现精确的疾病控制.

主要方法:

• 使用具有专业模块和协调注意力的卷积神经网络 (CNN) 改进了病变识别.
• 开发了一种K-Means++-CNN-Vote Consolidation方法来提取病变,处理不规则的形状和模糊的边界.
• 使用形态特征映射建立了一个轴损伤逆转框架,从轴图像推断疾病分布.

主要成果:

• 疾病分级准确度达到82.16% (组合),79.74% (横轴),84.59% (横轴),模型大小为5.08 MB.
• 损伤细分的准确率为89.29% (组合),76.92% (轴向) 和64.47% (轴向).
• 向-向病变逆转实现了80%的相似性,证明了有效的推断.

结论:

• 拟议的框架提供了在线分类葡萄藤菌的方法支持.
• 这项研究为精确的疾病控制策略提供了科学基础.
• 开发的模型重量轻,但准确,适合实际应用.