整合EfficientNetV2与指导式状扩散,以提高叶疾病的识别能力.
V Vinoth Kumar1, P Rajesh2, N Krishnamoorthy2
1School of Computer Science Engineering and Information Systems (SCORE), Vellore Institute of Technology, Vellore, 632014, India. vinothkumar.v@vit.ac.in.
Scientific reports
|March 14, 2026
概括
这项研究引入了一种先进的AI方法来检测大米叶病,达到98.92%的准确性. 这种新的方法提高了图像质量和疾病识别,以实现可持续的米生产.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 米是印度65%以上人口的主食,但叶子污垢,棕色斑点和细菌叶子污染等疾病威胁到产量和质量.
- 准确及时识别疾病对于可持续的水种植和粮食安全至关重要.
- 像深度学习 (DL) 这样的新兴技术为农业疾病挑战提供了潜在的解决方案.
研究的目的:
- 提出和评估一种新的方法来识别使用EfficientNetV2和扩散有限注意力方法的叶病.
- 提高输入图像的质量,以通过使用指导膜扩散 (GFD) 进行先行降噪 (PNR) 来更好地分类疾病.
- 准确细分和分类大米叶病,增强可持续的农业实践.
主要方法:
- 使用了EfficientNetV2与扩散有限的注意力方法来检测疾病.
- 通过引导膜扩散 (GFD) 实现先行降噪 (PNR),以提高图像质量和保持叶子纹理.
- 采用子相似系数 (DSC) 来评估模型的细分精度在一个全面的叶疾病数据集上.
主要成果:
- 在识别和分类大米叶病时获得了98.92%的高准确率.
- 与现有方法相比,在回忆,精度和F1得分方面表现优异.
- PNR-GFD技术有效地提高了图像质量,保留了关键的叶子纹理用于分类.
结论:
- 拟议的EfficientNetV2模型具有扩散受限注意力和PNR-GFD,对于准确识别叶疾病非常有效.
- 这种人工智能驱动的方法可以通过早期和精确的疾病检测来显著帮助可持续的水生产.
- 该方法为农业疾病管理提供了强大的框架,提高了作物产量和质量.


