双分支网络增强了植物病害检测，增强了作物保护

一个研究团队开发了LGNet，这是一种将卷积神经网络（CNNs）和视觉变换器（VT）相结合的双分支网络，用于植物疾病识别。LGNet有效地融合了局部和全局特征，在AI Challenger 2018数据集上实现了88.74%的最先进识别准确率，在自行收集的玉米病害数据集上达到了99.08%的最先进的识别准确率

这种创新方法增强了疾病传感能力，并为开发高效、稳健的植物疾病识别模型提供了潜力，这对改善农业生产和确保不同环境中的作物安全至关重要

保护农业生产对经济增长至关重要，因为植物病害严重威胁作物产量。传统的植物病害识别方法依赖于农民的经验，耗时且不适合大规模种植

图像处理和深度学习的最新进展改善了植物疾病识别，但现有的仅使用细胞神经网络或VT的方法由于其有限的特征感知而不足

2024年6月21日发表在《植物现象学》杂志上的一项研究提出了LGNet，这是一种结合了细胞神经网络和VT的双分支网络，可以增强局部和全局特征提取，在主要数据集上实现最先进的性能

该研究将LGNet的参数分为两部分进行训练，利用ImageNet 1k上预训练的权重对双分支骨干网络进行训练，并以不同的学习率进行微调。该模型通过SGD、动量和重量衰减进行了优化，并在带有NVIDIA GeForce RTX 3090 GPU和PyTorch的Windows 11系统上进行了训练

出于评估目的，使用了交叉熵损失，而在线数据增强增强了泛化能力。将LGNet的性能与单个型号ConvNeXt Tiny和Swin Transformer Tiny进行了比较。所有模型的初始训练精度都很高，但LGNet的精度显著提高，超过其他模型1%-2%。在AI Challenger 2018和SCD数据集上，LGNet的准确率分别为88.74%和99.08%，优于单个模型

根据该研究的主要研究人员之一张欣的说法，“开发稳健的植物病害识别模型，并提高这些模型在现实世界环境中的泛化能力，对农业生产非常重要。”

总之，本研究提出了LGNet，这是一个结合了细胞神经网络和VT的双分支网络，用于增强植物病害识别。未来的研究将侧重于知识提炼，为移动部署创建轻量级、高性能的模型，并侧重于获取更多真实世界的数据，以增强模型的稳健性，从而改善精准农业并确保作物安全 More information: Jianwu Lin et al, Local and global feature-aware dual-branch networks for plant disease recognition, Plant Phenomics (2024). DOI: 10.34133/plantphenomics.0208