轻量余图增强变压器用于使用光谱定向特征识别麻瓜叶病
T Satheesh1, M S Geetha Devasena2
1Department of Artificial Intelligence and Data Science, Dr.N.G.P. Institute of Technology, Coimbatore, 641048, India. cse.satheesh@gmail.com.
Scientific reports
|December 30, 2025
概括
一个新的模型,Lite-RGA-GTNet,使用先进的人工智能准确检测麻叶病. 这项技术通过实时改善作物产量和疾病管理,有助于可持续农业.
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:
- 检测大麻叶病对作物产量和粮食安全至关重要.
- 挑战包括类似的症状,可变条件和现有模型的计算需求.
研究的目的:
- 开发一种高效准确的深度学习模型,用于检测麻瓜叶病.
- 解决现有模型在捕捉细纹理和空间关系方面的局限性.
主要方法:
- 推出了Lite-RGA-GTNet,一个轻量级的网络,集成RGB,梯度和植被索引数据.
- 采用了光谱方向预处理,残余图表推理和渐进式令牌修剪.
- 利用分层图形转换器模块来融合本地-全球特征表示.
主要成果:
- 莱特-RGA-GTNet实现了96.84%的准确性,96.25%的精度,96.72%的回忆率和96.48%的F1分数.
- 它在精度上高达2.65%的表现优于CassNet和LeafXFormer等现有模型.
- 实时部署的平均推断时间为14ms.
结论:
- 莱特-RGA-GTNet提供了一个高度准确和计算效率高的解决方案,用于检测麻叶病.
- 该模型的性能表明它适用于实时农业应用和可持续农业.

