改进了基于多尺度注意力的深度学习方法,用于使用BSRI数据自动检测甘叶病
Jannatul Mauya1, Ruhul Amin2, Md Imam Hossain3
1Deep Statistical Learning and Research Lab, Department of Statistics, Pabna University of Science and Technology, Pabna, 6600, Bangladesh.
Scientific reports
|November 27, 2025
概括
一个新的深度学习模型,即基于多尺度注意力的密集残余网络 (MADRN),准确地分类了甘叶病. 这种方法提高了作物生产率,并通过精确的疾病检测支持可持续农业.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 生物技术是生物技术.
背景情况:
- 甘叶病严重影响作物产量和经济回报.
- 准确和早期的疾病检测对于有效的作物管理和资源优化至关重要.
研究的目的:
- 开发和评估一种用于自动化甘叶病疾病分类的新型深度学习模型.
- 提高在甘种植中检测疾病的准确性和效率.
主要方法:
- 设计了一个基于多个尺度的注意力密度剩余网络 (MADRN),集成密度剩余学习和多个尺度的注意力.
- 在两个数据集上训练和验证了MADRN模型:公开的Kaggle数据集和包括BSRI图像在内的混合数据集.
- 预处理包括大小调整,正常化和数据增强;性能与基线模型 (如CNN,VGG16,MobileNetV2和XceptionNet.Net) 相比较.
主要成果:
- 在两种数据集中,MADRN的表现优于所有基线模型,在Kaggle数据集上达到94.78%的准确性,在混合数据集上达到92.25%的准确性.
- 该模型在准确性,精度,回忆和F1得分方面表现出卓越的表现,表明其在捕捉疾病特征方面的有效性.
- 开发了一个基于网络的应用程序,用于实时,用户友好的疾病检测,以促进实际实施.
结论:
- MADRN模型为甘叶病的分类提供了强大而准确的解决方案,优于现有的方法.
- 这种深度学习方法显示了精准农业的巨大潜力,使得及时干预和可持续的作物管理成为可能.
- 开发的工具为农业部门的疾病管理提供了可扩展和实用的解决方案.
