Un método de identificación de alta precisión para enfermedades y plagas de las hojas de maíz basado en LFMNet bajo fondos complejos
Autores: Liu, Jintao; He, Chaoying; Jiang, Yichu; Wang, Mingfang; Ye, Ziqing; He, Mingfang
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Un método de identificación de alta precisión para enfermedades y plagas de las hojas de maíz basado en LFMNet bajo fondos complejos
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Maíz
Enfermedades
Plagas
Identificación
Modelo
Características
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
El maíz, como uno de los cultivos más importantes del mundo, enfrenta graves desafíos debido a diversas enfermedades y plagas. La identificación oportuna y precisa de las enfermedades y plagas de las hojas de maíz es de gran importancia para garantizar la producción agrícola. Actualmente, la identificación de enfermedades y plagas de las hojas de maíz enfrenta dos desafíos clave: (1) En el proceso real de identificación de enfermedades y plagas de las hojas, los fondos complejos pueden interferir con el efecto de identificación. (2) Las características sutiles de las enfermedades y plagas son difíciles de extraer con precisión. Para abordar estos desafíos, este estudio propone un modelo de identificación de enfermedades y plagas de las hojas de maíz llamado LFMNet. En primer lugar, se propone el bloque de convolución residual invertido de múltiples escalas localizadas (LMSB) para realizar un muestreo preliminar de la imagen, preservando información de características importantes para la posterior extracción de características finas de enfermedades y plagas en la estructura del modelo. Luego, se propone el cuello de botella de localización de características (FLB) para mejorar la capacidad del modelo de centrarse y localizar las características de enfermedades y plagas y reducir la interferencia de fondos complejos. Posteriormente, se propone la arquitectura de fusión de características locales de múltiples saltos (MLFFA), que aborda eficazmente el problema de extraer características sutiles al mejorar la extracción y fusión de características globales y locales de enfermedades y plagas en las imágenes. Después de entrenar y probar en un conjunto de datos que contiene 19,451 imágenes de enfermedades y plagas de las hojas de maíz, el modelo LFMNet demostró un excelente rendimiento, con una precisión de identificación promedio del 95.68%, una precisión del 95.91%, un recall del 95.78% y un puntaje F1 del 95.83%. En comparación con los modelos existentes, exhibe ventajas significativas, ofreciendo un sólido soporte técnico para la identificación precisa de enfermedades y plagas del maíz.
Descripción
El maíz, como uno de los cultivos más importantes del mundo, enfrenta graves desafíos debido a diversas enfermedades y plagas. La identificación oportuna y precisa de las enfermedades y plagas de las hojas de maíz es de gran importancia para garantizar la producción agrícola. Actualmente, la identificación de enfermedades y plagas de las hojas de maíz enfrenta dos desafíos clave: (1) En el proceso real de identificación de enfermedades y plagas de las hojas, los fondos complejos pueden interferir con el efecto de identificación. (2) Las características sutiles de las enfermedades y plagas son difíciles de extraer con precisión. Para abordar estos desafíos, este estudio propone un modelo de identificación de enfermedades y plagas de las hojas de maíz llamado LFMNet. En primer lugar, se propone el bloque de convolución residual invertido de múltiples escalas localizadas (LMSB) para realizar un muestreo preliminar de la imagen, preservando información de características importantes para la posterior extracción de características finas de enfermedades y plagas en la estructura del modelo. Luego, se propone el cuello de botella de localización de características (FLB) para mejorar la capacidad del modelo de centrarse y localizar las características de enfermedades y plagas y reducir la interferencia de fondos complejos. Posteriormente, se propone la arquitectura de fusión de características locales de múltiples saltos (MLFFA), que aborda eficazmente el problema de extraer características sutiles al mejorar la extracción y fusión de características globales y locales de enfermedades y plagas en las imágenes. Después de entrenar y probar en un conjunto de datos que contiene 19,451 imágenes de enfermedades y plagas de las hojas de maíz, el modelo LFMNet demostró un excelente rendimiento, con una precisión de identificación promedio del 95.68%, una precisión del 95.91%, un recall del 95.78% y un puntaje F1 del 95.83%. En comparación con los modelos existentes, exhibe ventajas significativas, ofreciendo un sólido soporte técnico para la identificación precisa de enfermedades y plagas del maíz.