ENet-CAEM:一种基于改进的EfficientNetB0和多尺度注意力机制的野外草疾病识别模型
Jiajiao Chang1,2, Honghui Li1,2, Xueliang Fu1,2
1College of Computer and Information Engineering, Inner Mongolia Agricultural University, Hohhot, China.
Frontiers in plant science
|December 17, 2025
概括
这项研究介绍了ENet-CAEM,这是一种用于识别草疾病的新型深度学习模型. 该模型实现了高精度,为实时现场诊断和改进作物管理提供了强大的解决方案.
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:
- 准确的草疾病诊断对于作物产量和管理至关重要.
- 挑战包括不规则的病变外观,混乱的背景,视觉上类似的疾病,以及深度学习模型的有限数据.
研究的目的:
- 开发一种有效的深度学习模型,以在现实世界现场条件下准确和稳健地识别草疾病.
主要方法:
- 一个重新设计的EfficientNetB0框架 (ENet-CAEM) 结合了频道上下文模块,多尺度高效频道注意力和Atrous空间金字塔聚合.
- 整合混合聚合,可学习的DropPath和标签平滑,以增强功能捕获和通用化.
主要成果:
- 在自己构建的数据集上,ENet-CAEM实现了85.84%的准确性,比基线高出4.29%.
- 该模型在公共草数据集上达到97.39%的准确性,超过了现有的方法.
结论:
- 该ENet-CAEM模型在草疾病识别方面表现出卓越的准确性和稳定性.
- 它为实时现场诊断和可持续农业提供了实用和有效的解决方案.
