一个混合视觉变压器和基于ResNet18的模型用于检测生物叶病的生物叶病
Sankar Sennan1, Ramasubbareddy Somula2, Yongyun Cho1
1Department of Information and Communication Engineering, Sunchon National University, Suncheon, Republic of Korea.
Frontiers in plant science
|December 1, 2025
概括
这项研究引入了一种混合视觉变压器 (ViT) 与ResNet18用于准确检测叶疾病. ViT-ResNet18模型实现了94.4%的准确性,提高了作物生产率.
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:
- 米种植对全球粮食安全至关重要.
- 早期发现大米叶病对于保持作物产量至关重要.
- 现有的疾病检测方法需要提高准确性和效率.
研究的目的:
- 开发一个高度准确的混合模型来预测大米叶病.
- 为了利用视觉变压器 (ViT) 和ResNet18架构的优势.
- 通过改进疾病识别来提高作物生产率.
主要方法:
- 提出了一个混合模型,将视觉变压器 (ViT) 和预训练的ResNet18 (ViT-ResNet18) 结合起来.
- 输入图像由ViT和ResNet18独立处理.
- 两种模型的特点都被合并并使用完全连接 (FC) 层和Softmax进行分类.
主要成果:
- ViT-ResNet18模型的准确率达到94.4%.
- 性能指标包括0.948的精度,0.944的召回,0.942的F1-Score和0.985.98的AUC.
- 混合型号显示了比VGG16,Inception V3和SqueezeNet分类器的显著准确性改进.
结论:
- 拟议的ViT-ResNet18模型为大米叶病检测提供了强大而准确的解决方案.
- 这种方法可以大大促进提高农业生产率.
- 混合深度学习模型与其他已建立的神经网络分类器相比,表现优越.
