Усовершенствованный сверточный блок внимания с обучаемым вентильным слиянием (LGF-CBAM) для идентификации болезней стручков какао.
Enhanced convolutional block attention module with Learnable Gated Fusion (LGF-CBAM) for cocoa pod disease identification.
Henry Techie-Menson, Michael Asante, Yaw Marfo Missah, Gaddafi Abdul-Salaam, Stephen Opoku Oppong
Аннотация (перевод)
Точное обнаружение болезней стручков какао имеет решающее значение для снижения потерь урожая и поддержки устойчивого сельского хозяйства. Хотя модели глубокого обучения продемонстрировали перспективность в классификации болезней растений, их производительность часто варьируется между наборами данных из-за ограничений в извлечении признаков и обобщении. В данном исследовании представлен сверточный блок внимания с обучаемым вентильным слиянием (LGF-CBAM), интегрированный с базовой моделью ResNetV2-101 для улучшения обучения дискриминативным признакам и повышения устойчивости классификации болезней какао. В отличие от стандартного CBAM, который обрабатывает модули внимания последовательно, LGF-CBAM адаптивно балансирует важность пространственных и канальных признаков с помощью обучаемых параметров вентилирования, нормализованных функцией softmax. Интеграция LGF-CBAM обеспечила выдающиеся результаты на наборе данных Cocoa_Pod_Disease_Gh, достигнув точности 98.95% наряду с показателями F1 и PPV в 99.11%. Кросс-датасетная оценка подтвердила устойчивость: точность составила 98.53% на Cocoa Diseases (YOLOv4), 97.96% на Black and Borer Pod Rot и 96.19% на Cacao Diseases in Davao. Несмотря на то, что более высокая вариативность в наборе данных Coffee and Cocoa снизила точность до 94.00%, модель сохранила высокую адаптивность в разнообразных условиях. Эти результаты подтверждают, что LGF-CBAM является передовым фреймворком, превосходящим все остальные упомянутые системы и обеспечивающим высокую точность, стабильность и обобщающую способность. В целом данное исследование вносит вклад в разработку нового фреймворка глубокого обучения на основе механизма внимания, способного обеспечить раннее и надежное выявление болезней стручков какао и предоставляющего масштабируемое решение для точного земледелия.
Оригинальная аннотация
Accurate detection of cocoa pod diseases is vital to reducing yield losses and supporting sustainable agriculture. Although deep learning models have shown promise in plant disease classification, their performance often varies between datasets due to limitations in feature extraction and generalisation. This study introduces a Learnable Gated Fusion Convolutional Block Attention Module (LGF-CBAM) integrated with a ResNetV2-101 backbone to improve discriminative feature learning and improve robustness in cocoa disease classification. Unlike the standard CBAM, which processes attention modules sequentially, LGF-CBAM adaptively balances the importance of spatial and channel cues through trainable gating parameters normalized with a softmax function. Incorporating LGF-CBAM provided outstanding results on the Cocoa_Pod_Disease_Gh dataset, achieving 98.95% accuracy along with F1 and PPV scores of 99.11%. The cross-dataset evaluation confirmed robustness, with accuracies of 98.53% on Cocoa Diseases (YOLOv4), 97.96% on Black and Borer Pod Rot, and 96.19% on Cacao Diseases in Davao. Although greater variability in the Coffee and Cocoa dataset reduced accuracy to 94.00%, the model still maintained strong adaptability under diverse conditions. These findings establish LGF-CBAM as a state-of-the-art framework that outperforms all other referenced systems, offering high accuracy, stability, and generalization. In general, this research contributes to a novel attention-based deep learning framework that can support early and reliable identification of cocoa pod diseases, providing a scalable solution for precision agriculture.
Идентификаторы
Canonical: https://research.holos.house/w/5e474e35-14b2-4cd7-91c6-e15f204fbf5a
DOI: 10.1371/journal.pone.0348147