1 引 言
2 材料与方法
2.1 无人机遥感数据获取和处理
2.2 卷叶病严重程度评估标准
2.3 GANformer模拟图像生成方法
2.3.1 基于GANformer的蛇龙珠冠层模拟图像生成
2.3.2 模型评价方法
2.4 基于Transformer的严重程度诊断模型
2.4.1 CA-Swin Transformer模型
2.4.2 实施细节
2.4.3 模型评价方法
2.5 葡萄园卷叶病严重程度分布制图方法
3 结果与讨论
3.1 基于GANformer增强卷叶病严重程度诊断精度
3.1.1 GANformer模拟图像生成效果
3.1.2 模拟图像对分类精度的影响
3.2 CA-Swin Transformer诊断结果分析
表1 不同改进方法在测试集上的分类效果Table 1 Classification results of different improved methods on the test set |
模型 | 损失函数 | 归一化方法 | Precision | Recall | Accuracy/% | F 1-Score |
---|---|---|---|---|---|---|
Swin Transformer | 交叉熵 | LN | 0.8415 | 0.8398 | 83.96 | 0.8401 |
Swin Transformer | Focal | LN | 0.8445 | 0.8427 | 84.27 | 0.8432 |
Swin Transformer | ArcFace | LN | 0.8598 | 0.8546 | 85.46 | 0.8548 |
Swin Transformer | 交叉熵 | IN | 0.8623 | 0.8516 | 85.16 | 0.8509 |
Swin Transformer | ArcFace | IN | 0.8621 | 0.8576 | 85.76 | 0.8573 |
CA-Swin Transformer | ArcFace | IN | 0.8692 | 0.8665 | 86.65 | 0.8669 |
表2 CA-Swin Transformer诊断结果测试集中不同卷叶病感染类别的分类效果Table 2 CA-Swin Transforme classification results of different grapevine leafroll disease infection categories of the test set |
等级 | Precision | Recall | F 1-Score |
---|---|---|---|
健康 | 1.0000 | 0.9375 | 0.9677 |
轻度 | 0.8721 | 0.8226 | 0.8467 |
重度 | 0.8238 | 0.8851 | 0.8534 |