典型文献
基于Transformer的强泛化苹果叶片病害识别模型
文献摘要：
模型泛化能力是病害识别模型多场景应用的关键,该研究针对不同环境下的苹果叶片病害数据,提出一种可以提取多类型特征的强泛化苹果叶片病害识别模型CaTNet.该模型采用双分支结构,首先设计了一种卷积神经网络分支,负责提取苹果叶片图像的局部特征,其次构建了具有挤压和扩充功能的视觉Transformer分支,该分支能够提取苹果叶片图像的全局特征,最后将两种特征进行融合,使Transformer分支可以学习局部特征,使卷积神经网络分支学习全局特征.与多种卷积神经网络模型和Transformer模型相比,该模型具有更好的泛化能力,仅需学习实验室环境叶片数据,即可在自然环境数据下达到80％的识别精度,相较卷积神经网络EfficientNetV2的72.14％精度和Transformer网络PVT的52.72％精度均有较大提升,能够有效提升对不同环境数据的识别精度,解决了深度学习模型训练成本高,泛化能力弱的问题.
文献关键词：
图像识别;农业;卷积神经网络;苹果叶片病害;Transformer模型;强泛化性;特征融合
中图分类号：
作者姓名：
徐艳蕾;孔朔琳;陈清源;高志远;李陈孝
作者机构：
吉林农业大学信息技术学院,长春 130118
文献出处：
引用格式：
[1]徐艳蕾;孔朔琳;陈清源;高志远;李陈孝-.基于Transformer的强泛化苹果叶片病害识别模型)[J].农业工程学报,2022(16):198-206
A类：
CaTNet
B类：
Transformer,苹果叶片病害,病害识别,识别模型,模型泛化,泛化能力,多场景应用,不同环境,多类型,类型特征,双分支结构,局部特征,全局特征,卷积神经网络模型,实验室环境,叶片数,环境数据,下达,识别精度,EfficientNetV2,PVT,深度学习模型,模型训练,练成,图像识别,强泛化性,特征融合
AB值：
0.23061
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
