使用混合扩张CNN的植物疾病检测,具有注意力机制和优化的面具RCNN细分
Kalicharan Sahu1, Shivam Tiwari2, Manoj Kumar Singh3
1Department of Computer Science and Engineering, Sharda University, Greater Noida, Uttar Pradesh, 201310, India. kalicharan8u@gmail.com.
Scientific reports
|November 23, 2025
概括
早期发现作物疾病对农业至关重要. 本研究介绍了一种先进的深度学习模型,即扩展,适应和基于注意力的多尺度密集网络 (DAA-MDeNet),用于精确识别植物疾病并提高作物产量.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 农业对于全球粮食安全和经济增长至关重要.
- 农作物疾病对农业生产力和食品质量产生重大影响,需要及早检测.
- 传统方法在现实农业环境中缺乏识别各种植物疾病的效率.
研究的目的:
- 开发用于早期植物疾病诊断的自动化和准确的方法.
- 提高作物生产质量,尽量减少因疾病造成的经济损失.
- 利用深度学习来改善图像分类和物体检测在农业.
主要方法:
- 从公开可用的数据库中收集和预处理图像数据.
- 分段使用扩展,适应和基于注意力的面具反复卷积神经网络 (DAA-MRCNN) 进行了细分.
- 一个混合分类模型,扩展,适应和基于注意力的多尺度密集网络 (DAA-MDeNet),使用非洲和优化器 (AVLO) 开发和优化.
主要成果:
- 拟议的DAA-MDeNet模型与现有方法相比显示出更高的性能.
- 在Mask RCNN和Multiscale DenseNet中优化参数导致了更高的分类器准确性.
- 该研究成功提高了植物疾病检测的精度.
结论:
- 开发的DAA-MDeNet模型为自动植物疾病识别提供了一个强大的解决方案.
- 这种深度学习方法可以为可持续农业和粮食安全做出重大贡献.
- 进一步的研究可以探索这种优化模型在作物管理中的更广泛应用.
