Новая модель ИИ на основе трансформеров повышает точность выявления болезней листьев риса
Рис — одна из важнейших продовольственных культур, но его производство постоянно находится под угрозой из-за болезней листьев, вызываемых патогенами, такими как грибы, бактерии и вирусы. Эти болезни, проявляющиеся в виде пятен на листьях, могут серьёзно влиять на здоровье и урожайность культуры.
Традиционная ручная идентификация таких болезней трудоёмка и подвержена ошибкам. Появление технологий сегментации на основе глубокого обучения принесло улучшения, но текущие методы часто плохо справляются с нерегулярными признаками болезней, сложным фоном и размытыми границами на изображениях листьев.
Исследование, опубликованное в Plant Phenomics 5 августа 2024 года, может помочь фермерам принимать более обоснованные решения, что приведёт к более здоровым культурам, повышению урожайности и снижению воздействия на окружающую среду.
Модель AISOA-SSformer вводит несколько новых компонентов для повышения эффективности сегментации болезней листьев риса. Команда реализовала модель с использованием PyTorch 1.10.0 для обеспечения согласованности экспериментов.
Разреженный глобально-обновляемый перцептрон (Sparse Global-Update Perceptron, SGUP) используется для стабилизации процесса обучения, эффективно захватывая нерегулярные признаки болезней листьев. Кроме того, в модель включён Механизм внимания к значимым признакам (Salient Feature Attention Mechanism, SFAM), который помогает фильтровать фоновый шум, фокусируясь на важных деталях.
Это достигается с помощью двух ключевых модулей: Модуля пространственной реконструкции (Spatial Reconstruction Module, SRM) и Модуля канальной реконструкции (Channel Reconstruction Module, CRM), которые работают вместе для разделения и оптимизации признаков болезни.
Для дальнейшего повышения точности модель использует Алгоритм оптимизации воробья с интегрированным отжигом (Annealing-Integrated Sparrow Optimization Algorithm, AISOA), который корректирует процесс обучения, чтобы избежать застревания в локальных оптимумах, и улучшает распознавание размытых краёв листьев.
По сравнению с существующими моделями, AISOA-SSformer достигла впечатляющих показателей: 83.1% среднего пересечения по объединению (MIoU), 80.3% коэффициента Dice и 76.5% полноты (recall), что делает её одним из самых точных методов для сегментации болезней листьев риса.
Абляционные исследования подтвердили совокупное влияние SGUP, SFAM и AISOA, значительно повысив показатели MIoU и Dice. Сравнительный анализ с устоявшимися моделями, включая архитектуры на основе CNN и трансформеров, подчеркнул превосходную способность AISOA-SSformer сегментировать болезни листьев риса даже в сложных условиях, что указывает на её потенциал для практического применения в сельском хозяйстве.
Модель AISOA-SSformer представляет собой прорыв в точном земледелии, предоставляя продвинутый инструмент для идентификации болезней листьев риса. Повышая точность сегментации и решая проблемы сложного фона и нерегулярных паттернов болезней, эта модель обладает потенциалом для революции в управлении болезнями сельскохозяйственных культур.
В будущем её можно будет применять к другим культурам и сельскохозяйственным задачам, что внесёт значительный вклад в устойчивое земледелие и продовольственную безопасность.