Lightweight Vision Transformer with Cross-Scale Attention Fusion for Field-Deployable Maize Disease Diagnosis
Notice bibliographique
Résumé
Early and accurate detection of maize leaf diseases is crucial for preventing yield loss and reducing agrochemical use. Existing vision-based models struggle in realworld agricultural conditions due to data imbalance, lighting variability, and high computational demands. This paper introduces MaizeFormerX, a lightweight Vision Transformer that utilizes multi-scale patch embedding and a Cross-Scale Attention Fusion (CSAF) module. This design enables effective detection of fine-grained lesion textures and broader disease patterns while maintaining a low parameter count. MaizeFormerX was evaluated on two public datasets (Dataverse and Tanzania) using specific preprocessing, targeted augmentation, and stratified $\mathbf{1 0}$-fold cross-validation. The model achieved accuracies of $97.8 \%, 97.5 \%$, and 96.9% on the Dataverse, Tanzania, and Plagues Maiz datasets, respectively, outperforming the Swin Transformer V2 by $2-3 \%$ with significantly fewer parameters and lower computational costs. Grad-CAM visualizations provide pixel-level interpretability, and this has been implemented in a cost-effective web application for real-time field use. This research offers an accurate, efficient, and explainable framework for diagnosing maize diseases, bridging academic findings with practical agricultural applications, and has the potential to enhance crop management in resource-constrained environments.
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 | 0,001 | 0,001 |
| 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 ».