Key points are not available for this paper at this time.
O diagnóstico preciso e automatizado das doenças das folhas de maçã é essencial para maximizar o rendimento da maçã e avançar no desenvolvimento agrícola. Apesar da ampla utilização de técnicas de aprendizado profundo, vários desafios persistem: (1) a presença de pequenas manchas de doenças nas folhas de maçã dificulta que os modelos capturem características intricadas; (2) a alta semelhança entre diferentes tipos de doenças das folhas de maçã complica sua diferenciação; e (3) imagens com fundos complexos geralmente exibem baixo contraste, reduzindo assim a precisão da classificação. Para abordar esses desafios, propomos uma rede de fusão três-residual conhecida como MSCR-FuResNet (Fusão de Extração de Características Multiescala e Aprimoramentos de Canais e Blocos Residuais), que consiste em três sub-redes: (1) aprimorar a extração de características detalhadas por meio da extração de características multiescala; (2) melhorar a discriminação de características similares suprimindo canais e pixels insignificantes; e (3) aumentar a extração de características de baixo contraste modificando a função de ativação e os blocos residuais. O modelo foi validado com um conjunto de dados abrangente de repositórios públicos, incluindo Plant Village e Baidu Flying Paddle. Várias técnicas de aumento de dados foram empregadas para abordar o desbalanceamento de classes. Resultados experimentais demonstram que o modelo proposto supera o ResNet-50 com uma precisão de 97,27% no conjunto de dados construído, indicando avanços significativos no reconhecimento de doenças das folhas de maçã.
Chen et al. (Sex,) estudaram essa questão.