一种基于量子生成式人工智能驱动的注意力引导图像处理框架,用于叶片病害检测与严重程度评估

《Optics & Laser Technology》:A quantum-generative AI-driven attention-guided image processing framework for leaf disease detection and severity estimation

【字体: 大 中 小 】 时间:2026年08月30日 来源:Optics & Laser Technology 4.6

编辑推荐:

   摘要基于人工智能的叶片病害检测能够快速、精确地识别叶片病害,从而提高产量并及时进行治疗。然而,由于数据依赖性、环境变化以及在不同叶片和田间条件下缺乏泛化能力,其效率受到限制。为了克服这些局限性,本研究提出了一种基于生成式人工智能的量子图像处理用于叶片病害检测与分类的方法(QI

  

摘要

基于人工智能的叶片病害检测能够快速、精确地识别叶片病害,从而提高产量并及时进行治疗。然而,由于数据依赖性、环境变化以及在不同叶片和田间条件下缺乏泛化能力,其效率受到限制。为了克服这些局限性,本研究提出了一种基于生成式人工智能的量子图像处理用于叶片病害检测与分类的方法(QIP-GAI-PDD)。首先,从新的植物病害数据集中收集输入图像。该图像经过预处理步骤,包括调整大小、归一化、中值滤波以及使用限制对比度自适应直方图均衡化(CLAHE)进行对比度增强,以确保高质量和标准化的输入。预处理后的图像通过振幅编码转换到量子域,然后进行量子傅里叶变换进行频率分析,量子Haar小波变换进行多分辨率纹理提取,以及量子Gabor算子进行方向性边缘增强。为了提高数据多样性和类别平衡,基于生成式人工智能的条件生成对抗网络(Conditional GAN)在病害类别条件和量子特征掩码的指导下生成逼真的合成叶片图像,并使用Fréchet Inception Distance(FID)确保质量保障。使用基于迁移学习的米制感知EfficientNet-B4从合成图像中提取高层判别性特征,该模型利用预训练知识并集成注意力引导的区域强调。最后,量子特征和深度特征通过带有金字塔多头注意力和生成式人工智能引导偏差的生成式人工智能增强注意力融合网络进行融合,以执行二分类病害分类(健康或不健康),并同时估计连续的疾病严重程度,进一步解释为离散严重程度级别,如轻度、中度和重度。实验结果表明,该方法达到了99.72%的准确率、97.61%的精确率和96.91%的F1分数,显著优于现有方法。

引言

叶片病害是农业生产面临的主要问题,造成大量叶片损失、经济损失和全球粮食安全威胁[1]。在早期准确识别叶片病害对于防止其广泛传播和确保叶片可持续生产非常重要。传统上,叶片病害的诊断过程是一项繁琐的任务,涉及冗长的分析和主观判断,容易产生差异[2]。随着数字成像和人工智能技术的引入,已开发出通过叶片图像检测斑点或颜色变化等模式的方法[3]。尽管这些传统技术在该领域取得了成功,但仍面临大量数据、复杂图像和难以解释的症状等挑战[4]。量子计算原理是通过应用量子比特和量子并行处理来同时处理大量信息。量子图像处理是一个将量子技术与图像处理相结合的新研究领域,旨在实现更好的表征、特征提取和识别[5]。将QIP应用于识别患病叶片,与传统的复杂图像处理方法相比,将提高处理速度并获得更准确的结果。
尽管人工智能在叶片病害诊断方面的应用取得了许多进展,但目前可用的方法仍面临若干挑战[1]、[2]、[3]。许多传统和深度学习模型在快速准确地处理大量图像方面面临挑战,特别是对于症状非常细微的疾病[6]、[7]、[8]。一些环境因素,包括光照条件、叶片位置、背景和图像质量,导致检测不准确,进而导致误诊或诊断延迟[4]、[5]。传统计算模型计算量大,训练和生成预测需要大量的计算机处理时间。
由于量子图像处理能够利用量子计算机和增强图像处理的综合优势来变革精准农业,因此有必要开发用于叶片病害检测的量子图像处理方法。因此,早期检测病害并立即采取行动成为可能,从而最小化叶片损失的风险。这不仅有助于有效的病虫害防治,还能促进可持续发展并改善粮食安全。此外,随着量子计算的进一步发展,农业研究领域出现了新的可能性,包括分析技术的应用和农业自动化系统的开发。
使本工作区别于其他工作的关键创新在于开发了QIP-GAI-PDD方法,结合了量子图像处理、生成式人工智能驱动的数据增强和注意力驱动的深度学习特征融合,以实现叶片病害的联合检测和评估。在量子环境中应用量子傅里叶变换、Haar小波变换和Gabor变换来分别提取多尺度频率、纹理和方向信息,而基于条件生成对抗网络,利用量子特征掩码生成高质量的类别平衡合成图像。这些图像的分析由米制感知EfficientNet-B4网络进行,其特征与上述量子特征一起通过提出的生成式人工智能增强注意力融合网络自适应融合,该网络包含金字塔多头注意力机制和语义偏差。
本研究的主要创新点如下:
  • •
    新颖的QIP-GAI-PDD方案集成了量子图像处理和生成式人工智能,以消除叶片病害识别系统中的数据依赖性、环境变化和跨叶片泛化问题。
  • •
    量子特征提取算法利用振幅编码、量子傅里叶变换(QFT)、量子Haar小波变换(QHWT)和量子Gabor算子(QGO)技术来提取基于频率、纹理和方向的信息,生成高度判别性的量子图像。
  • •
    生成式人工智能方法使用带有量子特征掩码(QFM)的条件生成对抗网络,通过FID确保高质量图像,生成类别平衡且一致的、具有准确病害的合成叶片。
  • •
    米制感知EfficientNet-B4(MAE-B4)利用带有注意力机制的深度学习模型,通过抑制背景并聚焦叶片病害区域来学习判别性的层次化表示。
  • •
    生成式人工智能增强注意力融合网络(GEAF-Net)模型通过使用注意力模块和生成式人工智能技术集成提取的量子特征和深度学习特征,提供可靠的分类和严重程度预测。
  • •
    叶片病害识别系统达到了最先进的性能,具有高分类准确率和低误报率,并且对噪声具有鲁棒性。
本文的组织结构如下:第2节回顾相关研究。第3节介绍提出的方法论。第4节介绍结果和讨论。最后,第5节总结全文。

章节摘要

文献综述

在经常研究的、依赖生成式人工智能利用深度学习技术进行叶片识别和病害分类的主题中,这里展示了一些研究。
2023年,Sowmiya等人[9]提出了一个基于增强量子鲸鱼优化的深度循环密集神经网络的物联网植物病害预测框架,该框架通过在智能农业中融合传感器数据和基于图像的分析,实现早期病害预测。物联网的整合

提出的方法论

本节介绍了一个通过涉及量子图像处理和生成式学习的生成式人工智能技术进行叶片病害识别的模型(QIP-GAI-PDD)。叶片图像数据集首先从新的植物病害数据集中获取,并进行预处理,包括缩放、归一化、对比度改善和降噪,以提高图像质量。增强后的图像进一步通过各种量子编码方法进行处理,即振幅编码、频率

结果与讨论

本节描述了所提出的QIP-GAI-PDD的实际发现。所有实验都在配备24 GB显存的NVIDIA GeForce RTX 4090 GPU、Intel Core i9-13900 K CPU和64 GB DDR5内存的计算机上运行Ubuntu 20.04 LTS操作系统进行。使用CUDA 12.1配置了Python 3.9.16和PyTorch 2.0.1,以充分利用GPU加速。评估了多个性能参数,包括准确率、精确率、F1分数、灵敏度、特异性、阴性预测值(NPV)、马修斯相关系数(MCC)、假阳性率(FPR)和假阴性率(FNR)。所提出的

结论

在所提出的QIP-GAI-PDD框架中,利用一种新颖的基于量子-生成式人工智能注意力机制的方法,以自主方式进行植物病害检测和分级过程。该方法与其他深度学习技术不同,因为它不仅仅依赖经典的空间表示,所提出的框架集成了量子图像处理、语义生成增强和基于注意力的特征提取,以确保鲁棒性、判别性和

资助信息

无资助信息

CRediT作者贡献声明

Swapna Jamal:撰写初稿、项目管理、方法论、形式分析。John Edwin Judith:撰写、审阅与编辑、调查、形式分析、概念化。

利益冲突声明

作者声明,他们没有已知的可能影响本文所报告工作的竞争性财务利益或个人关系。
Swapna Jamal|John Edwin Judith
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号