Erkennung von Blatteskrankheiten bei Nutzpflanzen durch digitale und RS-Bildgebung unter Verwendung von Fusion von Multi-Selbstaufmerksamkeits-RBNet-Tiefarchitekturen und modifizierter Libellenoptimierung

Weltweit bedrohen Schädlinge und Pflanzenkrankheiten die Forstwirtschaft und Landwirtschaft erheblich. Der Pflanzenschutz könnte erheblich verbessert werden, indem non-kontaktierende, extrem effektive und preislich angemessene Techniken zur Identifizierung und Verfolgung von Schädlingen und Pflanzenkrankheiten über große geografische Gebiete hinweg eingesetzt werden. Präzisionslandwirtschaft ist das Studium der Nutzung anderer Technologien, wie hyperspektrale Fernerkundung (RS), um den Anbau im Vergleich zu traditionellen landwirtschaftlichen Methoden mit weniger negativen Umweltauswirkungen zu steigern. In dieser Arbeit schlagen wir eine neuartige Deep-Learning-Architektur und einen Optimierungsalgorithmus zur Erkennung von Blatteskrankheiten bei Nutzpflanzen vor. Im ersten Schritt wird eine mehrstufige Kontrastverstärkungstechnik vorgeschlagen, um die Sichtbarkeit der Krankheit auf den Blättern von Baumwolle und Weizen zu verbessern. Danach schlagen wir drei neuartige Residualblöcke und Selbstaufmerksamkeitsmechanismen vor, die als 3-RBNet Self, 5-RBNet Self und 9-RBNet Self bezeichnet werden. Anschließend werden die vorgeschlagenen Modelle auf verbesserten Bildern trainiert und tiefgehende Merkmale aus der Selbstaufmerksamkeits-Schicht extrahiert. Die Modelle 5-RBNET Self und 9-RBNET Self erzielten gute Ergebnisse in Bezug auf Genauigkeit und Präzisionsrate; daher haben wir das Modell 3-RBNET Self für den nächsten Prozess nicht in Betracht gezogen. Der Libellenoptimierungsalgorithmus wird für die beste Merkmalsauswahl vorgeschlagen und auf die Selbstaufmerksamkeitsmerkmale der Modelle 5-RBNET Self und 9-RBNET Self angewendet, um die Klassifikationsleistung weiter zu verbessern und die Berechnungskosten zu senken. Die vorgeschlagene Methode wird an zwei öffentlich verfügbaren Bildern von Pflanzenkrankheiten, wie den Datensätzen Baumwolle, Weizen und EuroSAT, evaluiert. Bei beiden Kulturen erzielte die vorgeschlagene Methode eine maximale Genauigkeit von 98,60 % bzw. 93,90 %, während die vorgeschlagene Methode für EuroSAT eine Genauigkeit von 83,10 % erreichte. Im Vergleich zu den Ergebnissen mit jüngsten Techniken zeigt die vorgeschlagene Methode verbesserte Genauigkeit und Präzisionsrate.