一个注意力增强的轻量级卷积框架用于细粒度植物叶病疾病分类
Adithiyaa D1, Lakshhmi Narayanan T1, Manas Ranjan Prusty2
1School of Computer Science and Engineering, Vellore Institute of Technology, Chennai, India.
Frontiers in plant science
|February 25, 2026
概括
一个新的轻量级卷积神经网络 (CNN),注意力和轻量级网络 (ALNet),在植物叶病预测方面取得了高准确性. 这种高效的深度学习模型显著减少参数和模型大小,以便在边缘设备上更容易部署.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 像CNN和变压器这样的深度学习模型对于图像分类至关重要.
- 变压器已经显示出令人印象深刻的准确性,但往往需要大量的计算资源.
- 需要有效的深度学习模型来部署在资源有限的设备上.
研究的目的:
- 提出一个新的,轻量级的CNN模型,名为注意力和轻量级网络 (ALNet).
- 为了实现植物叶病的高分类准确性,同时尽量减少模型参数和尺寸.
- 为了促进在云平台和边缘设备上部署准确的疾病预测模型.
主要方法:
- 开发了一个自定义的轻量级CNN架构 (ALNet),包括干,核心和头部块.
- 核心分类器受到ResNet,SENet,EfficientNet,SqueezeNet和ShuffleNet等既有模型的启发.
- 在葡萄,果和桃数据集上使用5倍交叉验证评估ALNet.
主要成果:
- 在多类葡萄酒分类方面,ALNet获得了99.78%的准确性,在二进制分类方面达到100%的准确性.
- 在多类果分类上达到99.95%的准确性,在桃二进制分类上达到100%的准确性.
- ALNet仅使用了0.17万个参数,比SqueezeNet小18倍,需要151.98MFLOP,每时段的速度是1.2-2.2倍.
结论:
- ALNet在植物叶病预测方面表现出高准确度.
- 该模型的轻量级性质和降低的参数数量使其适用于边缘设备和云部署.
- 在农业应用中,ALNet提供了性能和效率之间的令人信服的平衡.
