Aplicación del modelo de transformador multimodal en la detección de enfermedades agrícolas inteligentes y sistemas de preguntas y respuestas
Autores: Lu, Yuchun; Lu, Xiaoyi; Zheng, Liping; Sun, Min; Chen, Siyu; Chen, Baiyan; Wang, Tong; Yang, Jiming; Lv, Chunli
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Aplicación del modelo de transformador multimodal en la detección de enfermedades agrícolas inteligentes y sistemas de preguntas y respuestas
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Detección de enfermedades agrícolas
Datos multimodales
Modelo transformer
Tecnologías de aprendizaje profundo
Agricultura inteligente
Detección de objetos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 8
Citaciones: Sin citaciones
En este estudio, se propuso un enfoque innovador basado en datos multimodales y el modelo transformer para abordar los desafíos en la detección de enfermedades agrícolas y los sistemas de preguntas y respuestas. Este método integra de manera efectiva datos de imagen, texto y sensores, utilizando tecnologías de aprendizaje profundo para analizar y procesar profundamente problemas complejos relacionados con la agricultura. El estudio logró avances técnicos y proporciona nuevas perspectivas y herramientas para el desarrollo de la agricultura inteligente. En la tarea de detección de enfermedades agrícolas, el método propuesto demostró un rendimiento excepcional, logrando una precisión, recuperación y exactitud de 0.95, 0.92 y 0.94, respectivamente, superando significativamente a otros modelos convencionales de aprendizaje profundo. Estos resultados indican la efectividad del método para identificar y clasificar con precisión diversas enfermedades agrícolas, destacándose especialmente en el manejo de características sutiles y datos complejos. En la tarea de generar texto descriptivo a partir de imágenes agrícolas, el método también mostró un rendimiento impresionante, con una precisión, recuperación y exactitud de 0.92, 0.88 y 0.91, respectivamente. Esto demuestra que el método no solo puede comprender profundamente el contenido de las imágenes agrícolas, sino también generar textos descriptivos precisos y ricos. El experimento de detección de objetos validó aún más la efectividad de nuestro enfoque, donde el método logró una precisión, recuperación y exactitud de 0.96, 0.91 y 0.94. Este logro resalta la capacidad del método para localizar e identificar con precisión objetivos agrícolas, especialmente en entornos complejos. En general, el enfoque de este estudio no solo demostró un rendimiento excepcional en múltiples tareas como la detección de enfermedades agrícolas, la generación de subtítulos de imágenes y la detección de objetos, sino que también mostró el inmenso potencial de los datos multimodales y las tecnologías de aprendizaje profundo en la aplicación de la agricultura inteligente.
Descripción
En este estudio, se propuso un enfoque innovador basado en datos multimodales y el modelo transformer para abordar los desafíos en la detección de enfermedades agrícolas y los sistemas de preguntas y respuestas. Este método integra de manera efectiva datos de imagen, texto y sensores, utilizando tecnologías de aprendizaje profundo para analizar y procesar profundamente problemas complejos relacionados con la agricultura. El estudio logró avances técnicos y proporciona nuevas perspectivas y herramientas para el desarrollo de la agricultura inteligente. En la tarea de detección de enfermedades agrícolas, el método propuesto demostró un rendimiento excepcional, logrando una precisión, recuperación y exactitud de 0.95, 0.92 y 0.94, respectivamente, superando significativamente a otros modelos convencionales de aprendizaje profundo. Estos resultados indican la efectividad del método para identificar y clasificar con precisión diversas enfermedades agrícolas, destacándose especialmente en el manejo de características sutiles y datos complejos. En la tarea de generar texto descriptivo a partir de imágenes agrícolas, el método también mostró un rendimiento impresionante, con una precisión, recuperación y exactitud de 0.92, 0.88 y 0.91, respectivamente. Esto demuestra que el método no solo puede comprender profundamente el contenido de las imágenes agrícolas, sino también generar textos descriptivos precisos y ricos. El experimento de detección de objetos validó aún más la efectividad de nuestro enfoque, donde el método logró una precisión, recuperación y exactitud de 0.96, 0.91 y 0.94. Este logro resalta la capacidad del método para localizar e identificar con precisión objetivos agrícolas, especialmente en entornos complejos. En general, el enfoque de este estudio no solo demostró un rendimiento excepcional en múltiples tareas como la detección de enfermedades agrícolas, la generación de subtítulos de imágenes y la detección de objetos, sino que también mostró el inmenso potencial de los datos multimodales y las tecnologías de aprendizaje profundo en la aplicación de la agricultura inteligente.