一个轻量级和可通用的深度学习框架,用于在复杂的田间环境中早期检测水叶病

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:

• 叶病威胁全球粮食安全,需要及早准确检测.
• 现有的检测方法在可变的场条件,计算限制和通用性方面面临挑战.
• 微妙的早期病变很难识别,阻碍了及时的疾病管理.

研究的目的:

• 开发一种新的,轻量级的深度学习框架,用于强大的大米叶病检测.
• 为了增强特征提取,以识别微妙的早期疾病症状.
• 创建一个计算效率高的模型,适用于智能农业中的边缘设备.

主要方法:

• 提出了一种新的轻量级深度学习框架,其中包括一个多分支大型内核深度融合 (MLFD) 模块,用于多级特征提取.
• 集成了一个多尺度扩展变压器注意力 (MDTA) 模块,具有注意力机制,用于改进特征表示.
• 开发了一种轻量级检测头 (Lo-Head),使用分组和深度卷曲来减少模型的复杂性.
• 对大米,土豆和番茄叶病的数据集进行了广泛的实验.

主要成果:

• 在叶疾病数据集上获得了62.62%的平均平均精度 (mAP@0.5:0.95),超过了最先进的轻量级检测器.
• 保持6.3 GFLOPs和2.66M参数的低计算需求.
• 在独立的土豆和番茄叶病数据集上表现出卓越的性能和可转移性,超过了可比模型.

结论:

• 拟议的轻量级深度学习框架提供了高准确性,计算效率和优异的跨作物通用性,用于检测叶病.
• 该框架非常适合在智能农业中部署在资源有限的边缘设备上,用于积极的疾病监测.
• 这项技术可以实现精确的控制策略,有助于在各种农业应用中加强粮食安全.