DenseSwinV2: Neuer Hybrid-Ansatz für Cassava-Blattkrankheiten mit 98 % Genauigkeit

Ein neues Modell namens DenseSwinV2 kombiniert die Stärken von Densenet‑ und SwinV2‑Transformern, um Cassava-Blattkrankheiten mit bisher unerreichten Präzisionen zu erkennen. Durch die gleichzeitige Nutzung von dicht verbundenen Convolution‑Features und hierarchischen, verschobenen Fenster‑Self‑Attention‑Mechanismen kann das System sowohl feine lokale Details als auch globale Kontextinformationen erfassen.

Die DenseNet‑Branche liefert hochauflösende lokale Merkmale, die die feinen strukturellen Signale der Blätter bewahren und gleichzeitig einen effizienten Gradientenfluss ermöglichen. Parallel dazu nutzt die SwinV2‑Branche ein angepasstes Transformer‑Modell, das lange Reichweitenbeziehungen erkennt – ein entscheidender Faktor, um visuell ähnliche Läsionen voneinander zu unterscheiden.

Ein zusätzliches Kanal‑Squeeze‑Modul betont für jeden Stream die krankheitsrelevanten Signale und unterdrückt Hintergrund‑Rauschen. Durch die Fusion der beiden diskriminativen Kanäle entstehen verfeinerte Repräsentationen, die sowohl lokale als auch globale Informationen optimal kombinieren.

Bei der Anwendung auf einem öffentlichen Cassava‑Blattdatensatz mit 31 000 Bildern, die fünf Krankheitsarten umfassen, erzielte DenseSwinV2 eine Genauigkeit von 98,02 % und einen F1‑Score von 97,81 %. Diese Ergebnisse übertreffen etablierte Convolution‑ und Transformer‑Modelle deutlich und zeigen, dass der Hybrid‑Ansatz sowohl robust als auch praktisch einsetzbar ist.