使用深度學習模型中的機率密度注意力機制增強小麥穗計數和疾病檢測
2025/11/11 @國際
摘要
中國農業大學研究團隊針對改善小麥穗計數和疾病檢測的精準度，利用深度學習模型中的機率密度注意力機制改善其準確度，模型針對任何干擾疾病檢測的複雜因素以及高密度區域進行特徵萃取，以密度損失函數提升檢測效能，透過多種模型比對與實證研究後，發現該模型與機制執行結果最為準確，同時提供精準農業的發展提供新方向與工具。
示意圖
傳統針對小麥穗計數及疾病檢測大多仰賴人工觀察與統計，經常受到主觀意識所影響，致使準確度與效率不佳，現今雖有深度學習模型提供協助，但仍受到田間生長複雜背景因素或生長密集區域影響，使得其準確度仍受考驗，而疾病影像資料的不完全以及影像品質參差不齊也使得檢測有所難度。
研究團隊為了改善上述情形提出以機率密度注意力為機制的深度學習模型來加強小麥穗計數與疾病檢測，以機率密度模型解決小麥穗生長間的遮擋問題以及優化模型關注區域，另外開發專屬於農業影像處理的密度損失函數以及使用Transformer 架構分別針對病灶感知以及影像判讀與捕捉之功能，同時搜覽多種植物疾病影像、田調資料、小麥穗資料、資料處理技術作為訓練元素，並且與YOLOv8、YOLOv9、Tiny-Segformer、DETR和WheatNet 等模型進行比較。
研究發現由機率密度注意力機制的模型在疾病檢測之精確度(precision) 0.93、召回率(recall) 0.89、準確率(accuracy) 0.91、mAP 0.90；小麥穗技術部分精確度則是0.91、召回率0.88、準確度0.90、mAP 0.90，而其密度損失函數在高密度區域之檢測準確率也優於傳統損失函數，亦即以密度注意力為機制的模型不論在何種任務都優於傳統檢測模型。
此項研究發表在2024年12月《The Future of Artificial Intelligence and Sensor Systems in Agriculture》特刊，研究貢獻在於提出新的模型來檢測小麥穗計數以及疾病檢測，並且能有效處理複雜的生長背景因素以及密集區域的特徵萃取，大幅降低誤判以及仰賴傳統人工觀測判斷所需之人力成本，為精準農業發展提供新的策略與工具應用。
資料來源
文章摘譯
