LGNet: двойная сеть для обнаружения болезней растений повышает защиту урожая
Исследователи создали LGNet — двойную нейронную сеть, которая объединяет сверточные нейронные сети (CNNs) и визуальные трансформеры (VTs) для идентификации болезней растений. LGNet эффективно объединяет локальные и глобальные признаки, достигая рекордной точности распознавания: 88,74% на наборе данных AI Challenger 2018 и 99,08% на самостоятельно собранном наборе данных по болезням кукурузы.
Этот инновационный подход улучшает возможности диагностики и открывает путь к созданию эффективных и надежных моделей для распознавания болезней растений, что критически важно для сельскохозяйственного производства.
Проблема и решение
Традиционные методы идентификации болезней, основанные на опыте фермеров, трудоемки и не подходят для крупномасштабного земледелия. Существующие методы на основе только CNNs или VTs имеют ограниченное восприятие признаков.
Исследование, опубликованное в Plant Phenomics 21 июня 2024 года, предлагает решение — LGNet.
Методология и результаты
Архитектура LGNet сочетает CNNs (для локальных признаков) и VTs (для глобальных). Модель обучалась с использованием предобученных весов ImageNet 1k и оптимизировалась с помощью SGD.
Ключевые результаты:
LGNet превзошла одиночные модели ConvNeXt-Tiny и Swin Transformer-Tiny на 1–2%.
Точность на тестовых наборах данных:
AI Challenger 2018: 88,74%
Собственный набор данных по болезням кукурузы (SCD): 99,08%
Абляционные эксперименты подтвердили эффективность модулей слияния признаков (AFF и HMUFF) в архитектуре LGNet.
Значение и перспективы
Как отметил ведущий исследователь Синь Чжан, разработка надежных моделей и улучшение их способности к обобщению в реальных условиях «имеет огромное значение для сельскохозяйственного производства».
Будущие исследования будут сосредоточены на:
- Дистилляции знаний для создания облегченных, но производительных моделей, пригодных для мобильного развертывания.
- Сборе большего количества реальных данных для повышения надежности моделей.
Цель — развитие точного земледелия и обеспечение безопасности урожая.