Un método inteligente para la detección de pequeñas esporas del hongo blanco del trigo basado en un YOLOv5 mejorado...

Área de la Ciencia:

• Ciencias agrícolas
• Micología
• Visión por ordenador

Sus antecedentes:

• Las enfermedades fúngicas causan importantes pérdidas económicas en la producción de trigo.
• La detección precisa de las esporas patógenas del trigo es vital para la evaluación de la contaminación posterior a la cosecha y la alerta temprana.
• Los métodos tradicionales de detección de esporas son lentos, requieren mucha mano de obra y tienen problemas con muestras pequeñas o complejas.

Objetivo del estudio:

• Desarrollar un algoritmo rápido y preciso para la detección de varias esporas patógenas del trigo.
• Mejorar la detección de pequeñas esporas de hongos de forma irregular en entornos complejos.
• Mejorar la evaluación del riesgo de contaminación posterior a la cosecha y los sistemas de alerta temprana para el trigo.

Principales métodos:

• Propuso un nuevo algoritmo de detección YOLO-ASF-MobileViT que integra la fusión de secuencia de escala de atención (ASF) y el transformador de visión móvil (MobileViT).
• Se utilizaron cuatro esporas patógenas comunes del trigo: Fusarium graminearum, Aspergillus flavus, Tilletia foetida (sporidium maturum) y Tilletia foetida (sporidium immaturum).
• Extracción de características mejorada para esporas pequeñas y fusión de información a escala múltiple utilizando ASF y MobileViT.

Principales resultados:

• El modelo YOLO-ASF-MobileViT logró un alto mAP@0,5 del 97,0%, superando a los detectores existentes.
• Se demostró una mejora del 1,6% en la precisión media de detección con respecto al modelo basal de YOLOv5s.
• Mejoró significativamente la detección de pequeñas esporas de Aspergillus flavus entre un 4,3% y un 90,8% y mostró robustez en condiciones difíciles.

Conclusiones:

• El algoritmo YOLO-ASF-MobileViT proporciona una detección eficiente y precisa de las esporas de hongos patógenos del trigo.
• Esta tecnología permite mejorar la gestión posterior a la cosecha y los sistemas de alerta de contaminación.
• La robustez del modelo lo hace adecuado para aplicaciones del mundo real en entornos agrícolas complejos.