一种混合CNN-变压器模型,具有适应激活功能,用于马叶疾病分类
Ayan Mondal1, Ayan Chatterjee2, Nurilla Avazov3
1School of Electrical Engineering, Aalto University, Otakaari 1B, 02150, Espoo, Finland.
Scientific reports
|January 6, 2026
概括
这项研究介绍了土豆叶病DenseNet (PLDNet),这是一个混合深度学习模型,用于准确的土豆疾病分类. PLDNet实现了高精度,为自动植物疾病识别提供了高效的解决方案.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 由于各种疾病,土豆种植面临着巨大的产量和质量损失.
- 目前的疾病检测方法往往是低效的,不准确的,劳动密集型.
- 自动识别疾病对于可持续农业至关重要.
研究的目的:
- 开发一种新的混合深度学习架构,用于准确地分类马叶病.
- 引入适应性参数激活功能,以提高模型性能.
- 为自动化植物疾病识别提供高效和可扩展的解决方案.
主要方法:
- 开发了一个混合深度学习架构,土豆叶病DenseNet (PLDNet),将DenseNet与基于变压器的注意力模块集成在一起.
- 提出了一个自适应平面p-Mish (AFpM) 激活功能,以提高学习灵活性和表现能力.
- 在PlantVillage和Mendeley数据集上评估了PLDNet模型.
主要成果:
- 在PlantVillage数据集上,PLDNet的分类准确度达到99.54%,在Mendeley数据集上达到87.50%.
- 与Mish,Swish和PFpM激活函数相比,拟议的AFpM激活函数表现出优异的性能.
- 与PFpM相比,AFpM在Mendeley上提高了2.52%,在PlantVillage上提高了1.93%,与Swish和Mish相比提高了3%以上.
结论:
- PLDNet框架为自动识别马叶病提供了一个高度准确和高效的方法.
- 新的AFpM激活功能通过自适应非线性和动态梯度控制来提高深度学习模型的性能.
- 这项研究显示出强大的概括能力,为改进农作物疾病管理策略铺平了道路.
