基于MamSwinNet的植物疾病智能检测模型的研究

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 植物病严重威胁全球作物产量,质量和粮食安全.
• 现有的卷积神经网络 (CNN) 和基于变压器的方法在建模依赖,概括和计算效率方面存在局限性.
• 准确高效地检测植物疾病对于可持续农业至关重要.

研究的目的:

• 提出MamSwinNet模型,这是一个创新的深度学习架构,用于高效和准确的植物疾病检测.
• 解决现有的CNN和变压器模型在处理远程依赖和计算复杂性的局限性.
• 为大规模农作物疾病检测提供可靠的智能解决方案.

主要方法:

• 开发了MamSwinNet,其中包括一个高效的令牌精制模块,使用深度可分离的卷积来减少重叠的空间.
• 综合空间全球选择性感知 (SGSP) 和通道坐标全球最佳扫描 (CCGOS) 模块用于增强的特征建模.
• 利用2D-SSM进行远程依赖捕获,并使用Mamba块进行道选择性关注.

主要成果:

• 马姆斯温网获得了高的F1分数:79.47% (PlantDoc),99.52% (PlantVillage) 和99.38% (棉花).
• 该模型拥有12.97M参数 (比Swin-T少52.9%),计算成本为2.71GMac.
• 与现有模型相比,在计算效率和功能保留方面取得了显著的改进.

结论:

• MamSwinNet提供了一种高效可靠的智能解决方案,用于检测植物疾病.
• 拟议的架构有效地平衡了准确性和计算效率.
• 这项工作有助于推进人工智能在农业中的应用,以提高粮食安全.