An Automatic Rice Plant Disease Classification Using Hierarchical Vision Transformers with Spatial Reduction Attention Mechanism
Notice bibliographique
Résumé
Rice is a staple crop for world food security, but its yield is susceptible to several diseases.Timely recognition of rice leaf diseases (RLD) is critical to decrease yield losses.Recent studies offered improved solutions by harnessing deep networks to precisely diagnose and categorize RLDs.Conversely, due to extreme scale deviations, data redundancy, and the high-resolution multi-spectral nature of leaf images, the conventional deep-learning classifiers underperform in detecting rice diseases.Also, training deep learning models involves major challenges such as class imbalance, overfitting, and vanishing gradient problems.Nowadays, vision transformers are infiltrated into the field of image processing, in which the self-attention unit is employed to learn local and distant correlations among the pixels in an image.However, the processing and storage overheads of analyzing image patches are very high.In this context, we propose a new vision transformer-based RLD classifier, called Faster Hierarchical Vision Transformer (FHViT) which employs a Spatial Reduction Attention Mechanism (SRAM) to speed up the classification process.The SRAM module enables the transformer to estimate the significance of each pixel in image patches and optimize their effect on the result.We evaluate our model on an open-access Ade F. Rice Leaf Diseases (AFRLD) database and relate its performance with other advanced models in terms of performance indicators.Our model delivers 99.2% detection accuracy, 99.3% precision, 99.2% sensitivity, 99.1% specificity, 99.0% recall, and 99.0%F1 measure.The extensive experimentations demonstrate that the FHViT realizes a viable solution for RLD diagnosis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».