ViTaL：一种基于 Vision Transformer 与线性投影特征降维的植物叶片图像病害自动识别高级框架
计算机视觉与模式识别
2024-11-13 v2
摘要
本文介绍了一种用于植物叶片图像病害自动识别的稳健框架。该框架包含多个关键阶段以提升病害识别准确率。在预处理阶段，采用缩略图缩放技术对图像进行缩放，在确保计算效率的同时最小化关键图像细节的损失。在特征提取前，应用归一化程序以标准化图像数据。特征提取通过一种基于 Vision Transformer 的新型框架实现，这是图像分析领域的最先进方法。此外，还探索了增加线性投影层和分块线性投影的框架替代版本。这种比较分析有助于评估线性投影对特征提取及整体模型性能的影响。为评估所提框架的有效性，利用了多种卷积神经网络（CNN）架构，从而全面评估线性投影对关键评估指标的影响。研究结果证明了所提框架的有效性，表现最佳的模型实现了 0.054 的 Hamming 损失。此外，我们提出了一种专为全向扫描病害叶片设计的新型硬件方案。该硬件实现利用 Raspberry Pi Compute Module 来解决低内存配置问题，确保了实用性和经济性。这一创新硬件解决方案增强了所提自动病害识别系统的整体可行性和可访问性。本研究通过提供用于植物病害早期检测和管理的重要见解与工具，为农业领域做出了贡献，有望提高作物产量并增强粮食安全。
引用
@article{arxiv.2402.17424,
title = {ViTaL: An Advanced Framework for Automated Plant Disease Identification in Leaf Images Using Vision Transformers and Linear Projection For Feature Reduction},
author = {Abhishek Sebastian and Annis Fathima A and Pragna R and Madhan Kumar S and Yaswanth Kannan G and Vinay Murali},
journal= {arXiv preprint arXiv:2402.17424},
year = {2024}
}
备注
Accepted and scheduled for presentation at CML 2024, this work will be published as a book chapter in Lecture Notes in Networks and Systems