通过图像生成进行位置导向病变表示学习,以评估植物叶病的严重程度

科学领域:

• 植物病理学 植物病理学
• 计算机视觉 计算机视觉
• 精准农业 精准农业 精准农业

背景情况:

• 准确的植物叶病严重程度评估对于有效的农药应用和作物产量优化至关重要.
• 现有的方法与背景干扰作斗争,错误识别非损伤区域并降低准确性.
• 精准农业需要强大的疾病检测系统,能够克服复杂的视觉挑战.

研究的目的:

• 为准确的植物叶病严重程度评估提出一个位置导向的损伤表示学习 (LLRL) 方法.
• 为了克服背景干扰在自动疾病检测中的挑战.
• 通过改进疾病严重程度分析,提高农药应用的精度.

主要方法:

• 开发了三部分的方法:图像生成网络 (IG-Net),位置导向的损伤表示学习网络 (LGR-Net) 和层次的损伤融合评估网络 (HLFA-Net).
• 利用IG-Net中的扩散模型生成对对健康和病变的叶子图像.
• 采用LGR-Net,通过对比配对图像,专注于损伤区域,创建一个双分支特征编码器 (DBF-Enc).
• 集成的HLFA-Net将DBF-Enc的功能合并并优化,以实现精确的严重程度分类.

主要成果:

• 与现有的分类模型相比,拟议的LLRL方法显示出更高的性能.
• 在植物叶病严重程度评估的准确度上至少提高了1%.
• 实验验证是在12098张图像的数据集上进行的,这些图像涵盖了果,马和番茄植物疾病.

结论:

• 该LLRL方法有效地解决背景干扰,导致更准确的植物叶病严重程度评估.
• 该方法显示了提高精准农业实践的巨大潜力.
• 开发的方法为自动检测和管理植物疾病提供了强大的解决方案.