一个基于EfficientSwinB的统一框架,用于药用植物的识别和叶绿花生殖质的分类

科学领域:

• 计算机视觉 计算机视觉
• 植物科学 植物科学
• 人工智能的人工智能

背景情况:

• 准确的植物识别对于药理学,精准农业和生物多样性保护至关重要.
• 基于叶子的植物识别面临复杂的背景,不同的照明和微妙的类间差异的挑战.
• 现有的模型在植物识别任务中难以实现多层次的细分化.

研究的目的:

• 开发先进的深度学习模型,以在一般和细粒度层面准确地识别植物图像.
• 提高植物识别模型的效率和区分能力.
• 为了应对不受限制的户外和受控的实验室条件的挑战,用于植物识别.

主要方法:

• 提议的EfficientSwinB-SE,基于Swin变压器的模型,具有结构化的修剪和挤压和激发,用于一般药用植物的识别.
• 开发了OLSF-EfficientSwinB-SE,这是一种专门用于细粒度分类三花生殖质品种的扩展.
• 评估了印度和印度尼西亚药用植物数据集和红杉生殖质数据集的模型.

主要成果:

• 在印度药用植物数据集上,EfficientSwinB-SE实现了99.75%的准确性,在印度尼西亚数据集上达到97.70%.
• OLSF-EfficientSwinB-SE实现了91.63%的准确度,用于细粒状红杉生殖质的分类.
• 提出的模型的性能优于VGG11_bn,MobileNetV2,DenseNet,EfficientNetB4,ViT,ConvNeXt和DeiT等最先进的模型.

结论:

• 开发的EfficientSwinB-SE和OLSF-EfficientSwinB-SE模型证明了多层次植物识别的高效性.
• 该框架为药用植物识别,生殖质管理和智能农业系统提供了实际解决方案.
• 该研究强调了基于变压器的增强模型在复杂植物图像分析中的潜力.