
-
生物通官微
陪你抓住生命科技
跳动的脉搏
一种基于可解释人工智能的混合模型,采用改进的注意力机制实现高效的番石榴病识别
《Applied Fruit Science》:An Explainable Artificial Intelligence-Driven Hybrid Model with a Modified Attention Mechanism for Efficient Guava Disease Recognition
【字体: 大 中 小 】 时间:2026年06月24日 来源:Applied Fruit Science 1.9
编辑推荐:
摘要农业是全球粮食安全与经济增长的基础。水果是健康饮食中不可或缺的营养来源。番石榴不仅味道独特,是一种美味的热带水果,还具有重要的经济价值。在发展中国家,番石榴因其富含维生素C、膳食纤维以及番茄红素等强效抗氧化剂而备受重视。然而,番石榴种植的可持续性正受到多种有害疾病的严重威胁。
农业是全球粮食安全与经济增长的基础。水果是健康饮食中不可或缺的营养来源。番石榴不仅味道独特,是一种美味的热带水果,还具有重要的经济价值。在发展中国家,番石榴因其富含维生素C、膳食纤维以及番茄红素等强效抗氧化剂而备受重视。然而,番石榴种植的可持续性正受到多种有害疾病的严重威胁。其中最令人担忧的是由Colletotrichum gloeosporioides引起的炭疽病,这种病会在果实上形成深色的病斑。果蝇侵扰,尤其是由Anastrepha和Bactrocera属昆虫引发的侵扰,会通过幼虫啃食导致果实内部腐烂,构成严重威胁。为确保产品质量,准确识别健康果实的重要性不言而喻。传统的手动检测方法依赖视觉检查,不仅耗时且容易出错,难以大规模应用。我们需要高效的解决方案来实现及时可靠的检测,从而获得更好的结果。人工智能借助深度学习和计算机视觉技术,提供了自动化且客观的疾病识别方法,有效弥补了现有技术的不足。卷积神经网络擅长捕捉复杂的局部特征,但在理解整体情境方面存在局限。相比之下,视觉变换器和Swin变换器虽能很好地处理长距离依赖关系,但其高计算成本可能影响在需要精确局部特征的特定数据集上的性能。为克服这些限制,我们提出了三重注意力融合网络(TAF-Net),这是一种强大的三分支混合框架,能够整合EfficientNetB3以获取全面的全局语义特征,利用DenseNet121实现高效的密集特征复用,同时通过轻量级CNN进行精确的细粒度纹理提取。该网络还采用了先进的注意力机制,结合通道注意力、多头自注意力、空间注意力以及挤压激励卷积块注意力模块(SE-CBAM)进行特征整合。此外,梯度加权类别激活映射++(GradCAM++)可生成可解释的热图,提高决策透明度,确保结果的可靠性与清晰度。TAF-Net在疾病检测方面达到了新的标准,在准确率、精确度、召回率和F1分数方面均取得了98.69%的优异成绩。其稳定的接收者操作特征曲线和精确度-召回率曲线表明,该模型对各类疾病的分类几乎毫无误差。GradCAM++可视化结果进一步证明了该模型能够有效识别与病变相关的区域。综合各类别对比分析显示,TAF-Net始终优于现有的最先进技术。本文的研究成果有助于提升水果种植水平。
农业是全球粮食安全与经济增长的基础。水果是健康饮食中不可或缺的营养来源。番石榴不仅味道独特,是一种美味的热带水果,还具有重要的经济价值。在发展中国家,番石榴因其富含维生素C、膳食纤维以及番茄红素等强效抗氧化剂而备受重视。然而,番石榴种植的可持续性正受到多种有害疾病的严重威胁。其中最令人担忧的是由Colletotrichum gloeosporioides引起的炭疽病,这种病会在果实上形成深色的病斑。果蝇侵扰,尤其是由Anastrepha和Bactrocera属昆虫引发的侵扰,会通过幼虫啃食导致果实内部腐烂,构成严重威胁。为确保产品质量,准确识别健康果实的重要性不言而喻。传统的手动检测方法依赖视觉检查,不仅耗时且容易出错,难以大规模应用。我们需要高效的解决方案来实现及时可靠的检测,从而获得更好的结果。人工智能借助深度学习和计算机视觉技术,提供了自动化且客观的疾病识别方法,有效弥补了现有技术的不足。卷积神经网络擅长捕捉复杂的局部特征,但在理解整体情境方面存在局限。相比之下,视觉变换器和Swin变换器虽能很好地处理长距离依赖关系,但其高计算成本可能影响在需要精确局部特征的特定数据集上的性能。为克服这些限制,我们提出了三重注意力融合网络(TAF-Net),这是一种强大的三分支混合框架,能够整合EfficientNetB3以获取全面的全局语义特征,利用DenseNet121实现高效的密集特征复用,同时通过轻量级CNN进行精确的细粒度纹理提取。该网络还采用了先进的注意力机制,结合通道注意力、多头自注意力、空间注意力以及挤压激励卷积块注意力模块(SE-CBAM)进行特征整合。此外,梯度加权类别激活映射++(GradCAM++)可生成可解释的热图,提高决策透明度,确保结果的可靠性与清晰度。TAF-Net在疾病检测方面达到了新的标准,在准确率、精确度、召回率和F1分数方面均取得了98.69%的优异成绩。其稳定的接收者操作特征曲线和精确度-召回率曲线表明,该模型对各类疾病的分类几乎毫无误差。GradCAM++可视化结果进一步证明了该模型能够有效识别与病变相关的区域。综合各类别对比分析显示,TAF-Net始终优于现有的最先进技术。本文的研究成果有助于提升水果种植水平。
生物通微信公众号