文件大小：1.36M
摘要：植物病虫害给农业生产带来了严重威胁需对其进行及时监控和预防。由于植物病虫害种类繁多且在初期病症相似使得农业工作者极难区分。基于此原因，研究提出一种基于频域Swin Transformer的植物叶片病害识别方法。首先，利用改进的CutMix数据增强算法提高模型的训练效率使模型关注病害图像的重要部分，让模型学习到更多信息避免模型过拟合提高模型的泛化性能。然后，利用高斯滤波和边缘检测降低病害识别中背景噪声对识别准确性的负面影响突出叶片轮廓信息。最后，加入频域层来捕捉病害图像的局部特征。实验表明：研究提出的方法在番茄、水稻和棉花三个数据集准确率分别为98.59%、100%和99.58%，比改进前分别提高1.34%、0.12%和0.5%，检测速度分别提升2.54帧/s、4.04帧/s和9.97帧/s。能够为植物病害识别提供方法参考。
文章目录
0 引言
1 模型选取
1.1 Swin Transformer
1.2 数据增强算法
1.3 频域Swin Transformer
2 实验分析
2.1 实验数据集
2.2 实验环境
2.3 评价指标
2.4 实验结果分析
2.5 模型热力图可视化
3 结论
