Arquitectura inteligente de aprendizaje profundo para la detección de enfermedades vegetales de precisión que...

Área de la Ciencia:

• Ciencias Agrícolas
• Visión por computadora
• Aprendizaje automático

Sus antecedentes:

• La detección de enfermedades vegetales de invernadero se enfrenta a desafíos que incluyen iluminación desigual, oclusión del objetivo e infecciones mixtas.
• La agricultura de precisión moderna requiere sistemas de identificación de enfermedades sólidos y precisos.

Objetivo del estudio:

• Desarrollar un algoritmo de detección de alta precisión para las enfermedades vegetales de invernadero.
• Abordar las limitaciones de los métodos existentes en condiciones ambientales complejas.

Principales métodos:

• El algoritmo vegetal YOLO propuesto se basa en la versión 10 mejorada de You Only Look Once (YOLOv10).
• Incorporado Adaptive Detail Enhancement Convolution (ADEConv), capa de detección de fusión de características de granularidad múltiple (MFLayer) y red de pirámide de fusión dinámica entre capas (IDFNet) con selección de características adaptativas guiadas por la atención (AAFS).
• Validado en un conjunto de datos de enfermedades vegetales (VDD, por sus siglas en inglés) de 15.000 imágenes.

Principales resultados:

• YOLO-vegetal logró una precisión media (mAP) del 95,6% con un umbral de IoU de 0,5.
• Demostró una mejora de 6,4 puntos porcentuales con respecto al modelo de referencia.
• Eficiencia computacional mantenida con parámetros de 3.8M y tiempo de inferencia de 18.6ms por cuadro.

Conclusiones:

• YOLO-vegetable proporciona una solución práctica y eficiente para la detección inteligente de enfermedades en la agricultura de las instalaciones.
• Los módulos propuestos mejoran la preservación de características de grano fino, la localización de objetivos pequeños y la extracción de información clave.
• Contribuye al avance de las nuevas fuerzas productivas agrícolas de calidad a través de una mejor gestión de las enfermedades.