ST-Cfi：用于识别植物病害的具有卷积特征交互的 Swin Transformer

快速阅读: 《Nature.com》消息，本文提出ST-CFI模型，结合CNN与Swin Transformer，有效提升植物疾病检测准确率，在多个数据集上表现优异，对农业可持续发展有重要意义。

随着全球人口的不断增长，耕地面积持续减少，确保粮食安全的挑战日益突出。快速且精确地识别植物疾病，对于减少作物损失和提高农业产量具有重要意义。

本文介绍了一种前沿的深度学习框架——结合卷积特征融合的Swin Transformer（ST-CFI），该框架专门通过分析叶片图像来检测植物疾病。ST-CFI模型有效地结合了卷积神经网络（CNNs）和Swin Transformer的优势，能够从植物图像中提取局部和全局特征。

这是通过采用Inception结构和跨通道特征学习实现的，这些方法共同增强了详细特征提取所需的信息。为了验证模型性能，研究人员在五个不同的数据集上进行了全面实验：PlantVillage、Plant Pathology 2021竞赛数据集、PlantDoc、AI2018和iBean。

ST-CFI模型展现出卓越的性能，在PlantVillage数据集上达到了99.96%的准确率，在iBean上达到99.22%，在AI2018上达到86.89%，在PlantDoc上达到77.54%。这些结果证明了该模型的鲁棒性以及其在各种数据集和现实条件下的泛化能力。

高准确率和F1分数以及低损失值进一步验证了该模型在学习区分性特征方面的有效性。ST-CFI模型标志着在早期和准确检测植物疾病方面的重要进展，是精准农业的宝贵工具。

其在统一框架内整合CNNs和Transformer的能力，增强了模型的特征提取能力，从而提升了植物疾病识别的准确性。

本研究得出结论，ST-CFI模型有效解决了植物疾病检测的挑战，对农业的可持续性和生产力具有重要意义。

(以上内容均由Ai生成)