基于智能架构的玉米生长监测与病害识别及产量预测研究

这篇综述创新性地提出PS-VT+APL（Swin视觉Transformer+高级池化层）架构，结合新型PO-GELU激活函数，在玉米生长阶段监测（CGS）和病害识别（CCLD）中实现99.82%的识别精度。研究通过建立首个综合玉米病害数据库，为精准农业提供实时决策支持，并推动无人机（UAV）等智能装备应用。

　　

Highlight

本研究通过创新性智能架构实现玉米生长全周期监测与精准管理：

1. 建立首个综合玉米病害数据库（CCLD）和生长阶段数据集（CGS），为病害损失评估提供基准

2. 提出PS-VT+APL模型，集成高级池化层和PO-GELU激活函数，显著提升特征提取能力

3. 在玉米病害日间检测（CDDT）中达到99.21%准确率，病害类型识别（CLST）精度达96.12%

4. 突破性实现复杂田间环境下玉米病症的精准鉴别（99.82%），较基线模型效率提升30%

Methodology

深度神经网络识别模型

采用7种基线模型（VGG16/19、ResNet50/152v2、MobileNetV2、InceptionV3、VT）验证新数据集性能，其中优化版视觉Transformer（OP-VT）在CGS任务中取得74.21%的领先准确率。

Experiment 1

在CGS四阶段数据集测试中，PS-VT+APL展现出显著优势：

• 生长阶段识别：较传统CNN模型提升15-20%准确率

• 病害分类：在GLD数据集达到93.85%准确率，证明Transformer架构对农业图像的强大解析能力

Conclusion

该智能架构成功实现玉米生长-病害-产量三位一体监测，其模块化设计可兼容无人机（UAV）和自动喷药系统，为智慧农业提供新一代计算机视觉解决方案。