棉花网-MHA:一个基于多头关注的深度学习框架,用于检测棉花疾病.
Mostaque Md Morshedur Hassan1, Asmita Ray2, Munsifa Firdaus Khan Barbhuyan3
1Department of Computer Science and Engineering, Eudoxia Research University, New Castle (City of Newark), Delaware, DE, United States.
Frontiers in plant science
|December 8, 2025
概括
本研究介绍了CottonNet-MHA,这是一种用于准确检测棉花作物疾病的深度学习模型. 它增强了特征学习和可解释性,优于改善农业产量的传统模型.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 植物病理学 植物病理学
背景情况:
- 棉花是印度的重要收入作物,受到疾病和害虫的威胁.
- 准确的疾病鉴定对于保持作物健康和产量至关重要.
- 目前用于疾病检测的方法可能耗时且不太准确.
研究的目的:
- 开发用于自动识别棉花作物疾病的深度学习框架.
- 为了提高疾病检测准确性和模型可解释性.
- 为现实世界农业应用创造一个实用的工具.
主要方法:
- 开发了CottonNet-MHA,这是一个使用多头注意力机制的新型深度学习框架.
- 与VGG16,VGG19,InceptionV3,Xception和MobileNet等基准模型对比,对性能进行了评估.
- 使用梯度加权类激活映射 (Grad-CAM) 进行模型解释和可视化.
- 通过基于Web的应用程序部署受过训练的模型,以便在实践中使用.
主要成果:
- 与基准模型相比,CottonNet-MHA在检测棉花疾病方面表现出更高的准确性和效率.
- 多头注意力机制改善了特征学习,并突出了疾病区域.
- 渐进式摄像头可视化证实了模型能够专注于受影响的区域,从而增强了信任.
- 网络应用程序促进了现实世界的部署和活体疾病监测.
结论:
- 棉花网-MHA为棉花疾病诊断提供了一个自动化,准确和可解释的解决方案.
- 该框架的成功表明,它有可能适应其他农作物疾病检测系统.
- 开发的网络平台支持在农业环境中的实际实施,帮助农民.
