基于深度学习的柑橘黄龙病症状识别

【目的】黄龙病是全球柑橘产业面临的重大挑战,由于其潜伏期长和初期症状不明显,早期发现与防治成为关键。传统的人工诊断方法耗时且效率低下,容易错过最佳防治时间。随着技术进步,卷积神经网络(CNN)在农作物病虫害检测中展现出巨大潜力,将CNN引入Transformer也正在引起研究者的兴趣。基于卷积视觉交换器(convolutional vision transformer,CvT)的改进模型识别柑橘黄龙病症状并分类。【方法】研究采集并构建了柑橘叶片数据集,利用数据增强技术扩充训练样本,并设计了轻量级多头自注意力模块(LMHSA)和反向残差前馈神经网络(IRFFN)模型,以提高模型的泛化能力和病症识别的准确性。【结果】改进后的CvT模型在柑橘黄龙病的检测任务中表现优异,分类精度为97.6%,可以实现对柑橘黄龙病的精确识别。【结论】该模型有可能成为一种柑橘黄龙病快速鉴定的辅助工具,后面将进一步优化该模型的精度和可靠性。