一组异质变压器模型,用于有效诊断多种植物疾病

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:

• 植物疾病导致大量的作物损失,挑战可持续农业.
• 传统的诊断方法和单一的深度学习模型与复杂的视觉线索和环境变化作斗争,导致不一致的性能.
• 准确和早期发现植物疾病对于减轻产量和质量损失至关重要.

研究的目的:

• 开发一个集成变压器框架,以准确识别植物中的多种疾病.
• 解决现有方法在检测重叠症状和微妙的叶子纹理变化方面的局限性.
• 提高农业应用植物病诊断的稳定性和可靠性.

主要方法:

• 一个两相组合变压器框架,集成分段和分类.
• 第一个阶段:U-Net和Swin变压器V2用于精确定位患病的叶片区域.
• 第二阶段:CoAtNet及其分类变体,结合Levy Flight Honey Badger算法进行元启发式融合,以及GRAD-CAM进行可解释性.

主要成果:

• 该框架在PlantVillage数据集上实现了高性能:准确率为99.31%,精度为99.32%,回忆率为99.31%,特异性为99.32%,F1分数为99.31%.
• 整体细分方法显示,与单一方法相比,整体细分方法改善了7.34%.
• 不同质组合模型的表现优于同质组合 (8.43%的优势) 和个人模型 (14.59%的优势).

结论:

• 拟议的集成变压器框架为早期检测植物疾病提供了强大,可解释和可靠的解决方案.
• 细分,混合变压器和元启发融合的整合显著提高了诊断准确性和稳定性.
• 该框架显示了在可持续农业中实际部署的强大潜力,以改善作物管理.