A Channel Attention-Driven Hybrid CNN Framework for Paddy Leaf Disease Detection

要約

農家は、不作の主な原因である生育初期段階のイネ葉の病気を特定する際に、さまざまな課題に直面しています。
したがって、農業では作物の損失を避け、栽培を改善するために、病気を早期かつ正確に特定することが重要です。
この研究では、チャネル アテンション メカニズムと Swish ReLU 活性化関数を備えた Squeeze-and-Exciltation ネットワーク アーキテクチャを拡張することによって設計された、新しいハイブリッド ディープ ラーニング (DL) 分類器を提案します。
私たちが提案するモデルのチャネル アテンション メカニズムは、特徴の抽出と選択中に分類に必要な最も重要な特徴チャネルを識別します。
瀕死の ReLU 問題は、Swish ReLU アクティベーション関数を利用することで緩和され、Squeeze-andExciliation ブロックにより情報伝播とクロスチャネル インタラクションが改善されます。
評価の結果、当社モデルはF1スコア99.76%、精度99.74%という高い性能を達成し、既存モデルの性能を上回りました。
これらの成果は、農業における最先端の DL 技術の可能性を実証し、より効率的で信頼性の高い病気検出システムの進歩に貢献します。

要約(オリジナル)

Farmers face various challenges when it comes to identifying diseases in rice leaves during their early stages of growth, which is a major reason for poor produce. Therefore, early and accurate disease identification is important in agriculture to avoid crop loss and improve cultivation. In this research, we propose a novel hybrid deep learning (DL) classifier designed by extending the Squeeze-and-Excitation network architecture with a channel attention mechanism and the Swish ReLU activation function. The channel attention mechanism in our proposed model identifies the most important feature channels required for classification during feature extraction and selection. The dying ReLU problem is mitigated by utilizing the Swish ReLU activation function, and the Squeeze-andExcitation blocks improve information propagation and cross-channel interaction. Upon evaluation, our model achieved a high F1-score of 99.76% and an accuracy of 99.74%, surpassing the performance of existing models. These outcomes demonstrate the potential of state-of-the-art DL techniques in agriculture, contributing to the advancement of more efficient and reliable disease detection systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google