精确检测棉花病通过变压器模型应用到叶子图像的精确检测
Nikhil Inamdar1, Manjunath Managuli1, Ramesh Koti1
1Department of Electronics and Communication Engineering, KLS Gogte Institute of Technology Belagavi and Affiliated to Visvesvaraya Technological University Belagavi Karnataka, Belagavi, India.
Frontiers in artificial intelligence
|February 25, 2026
概括
本研究引入了一个深度学习框架,使用变压器模型从图像中对棉花叶病进行分类. 该系统实现了几乎完美的准确性,使得早期检测和更智能的农业实践.
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:
- 准确的植物物种目录对于农业研究,生态监测和生物多样性保护至关重要.
- 自动植物疾病识别可以显著改善作物管理和产量.
研究的目的:
- 开发和评估用于自动分类棉花叶病的深度学习框架.
- 评估各种基于变压器的架构在识别特定棉花叶病理方面的性能.
主要方法:
- 利用了包括Vanilla Vision Transformer (ViT),Swin Transformer,DeiT和T2T-ViT在内的变压器架构进行图像分类.
- 采用一组棉花叶图像的数据集,分为四个类别:卷曲病毒,细菌,虫和健康的叶子.
- 实现了分层的K折交叉验证和标准的图像增强技术,以进行可靠的模型评估和概括.
主要成果:
- 基于变压器的模型在分类棉花叶病时表现出高准确度.
- 一种模型的准确性达到99.99%,表明在疾病识别方面具有卓越的性能.
- 分层K折测试确保了可靠的评估,并解决了潜在的类失衡问题.
结论:
- 变压器驱动的深度学习框架为早期发现作物疾病提供了可靠的解决方案.
- 开发的系统可以加强农业监督,导致更快,更明智的农业决策.
- 这种方法对改善农业研究和生物多样性保护工作具有重大潜力.
