Algoritmo mejorado YOLOv8-ECCI para la detección de alta precisión de la enfermedad de la mancha púrpura en la soja

Área de la Ciencia:

• Ciencias Agrícolas
• Patología vegetal
• Visión por computadora

Sus antecedentes:

• La detección de enfermedades a nivel de semilla en la soja se enfrenta a desafíos como muestras pequeñas y oclusiones.
• Los métodos existentes luchan con las complejidades de identificar enfermedades directamente en las semillas.

Objetivo del estudio:

• Introducir YOLOv8-ECCI, un algoritmo mejorado para la identificación de alta precisión de la enfermedad de la mancha púrpura de la soja en las semillas.
• Abordar las limitaciones de las técnicas actuales de detección de enfermedades a nivel de semilla.

Principales métodos:

• Utilizó la arquitectura YOLOv8, mejorándola con el módulo ECCI para mejorar el rendimiento.
• Se realizaron experimentos comparando YOLOv8-ECCI con el modelo de referencia YOLOv8n.
• Se realizó una validación cruzada de conjuntos de datos utilizando el conjunto de datos de la fauna silvestre africana.

Principales resultados:

• YOLOv8-ECCI logró mejoras significativas: +5,7% de precisión, +6,5% de recuerdo, +8,0% mAP@0,5 y +7,1% mAP@0,5:0,95 en comparación con YOLOv8n.
• Se ha demostrado una generalización superior, superando a los métodos convencionales en un +6,0% de precisión y en un +2,9% mAP@0,5 en un conjunto de datos separado.
• Superó efectivamente los desafíos en la detección de patologías a nivel de semilla.

Conclusiones:

• YOLOv8-ECCI proporciona una solución robusta y precisa para la detección de la enfermedad de la mancha púrpura de la soja a nivel de semilla.
• El algoritmo mejorado muestra un gran potencial para la detección práctica de enfermedades agrícolas en el campo y el control de calidad.
• La capacidad de generalización validada confirma la fiabilidad del modelo en diferentes conjuntos de datos.