GhostConv+CA-YOLOv8n: una red ligera para la detección de plagas del arroz basada en la agregación de características...

Área de la Ciencia:

• Ciencias Agrícolas
• Visión por computadora
• Aprendizaje profundo

Sus antecedentes:

• Los modelos de aprendizaje profundo para la detección de plagas de arroz luchan con la degradación del rendimiento en campos del mundo real debido a antecedentes complejos y recursos limitados.
• Los métodos existentes muestran una representación inadecuada de las características para plagas ocultas o de escala variada y son computacionalmente costosos para los dispositivos de borde.

Objetivo del estudio:

• Desarrollar un marco de detección de objetos ligero y eficiente para la detección precisa de plagas de arroz en entornos de campo difíciles.
• Mejorar la representación de características, reducir el costo computacional y mejorar la regresión de la caja delimitadora y el manejo del desequilibrio de clase para la detección de plagas.

Principales métodos:

• Se introdujo GhostConv+CA-YOLOv8n, un marco ligero que integra los módulos de GhostConv para la reducción de parámetros y la agregación de contexto (CA) para una representación de características mejorada.
• Empleado Shape-IoU para mejorar la regresión de la caja de límites teniendo en cuenta la morfología del objetivo y la pérdida de deslizamiento para abordar el desequilibrio de clase durante el entrenamiento.
• Evaluó el modelo en el conjunto de datos de Ricepest15 y el índice de referencia IP102 para un análisis integral del rendimiento.

Principales resultados:

• GhostConv+CA-YOLOv8n logró una precisión del 89,959% y una recuperación del 82,258% en Ricepest15, superando la línea de base de YOLOv8n con un 1,34% menos de parámetros.
• El modelo demostró mejoras significativas en mAP (94,527% frente a la línea de base de 84,994%) y capacidades de generalización en el índice de referencia IP102.
• Logró ganancias notables en la puntuación F1 (4,49%), precisión (5,452%) y recuerdo (3,407%) en el conjunto de datos IP102.

Conclusiones:

• GhostConv+CA-YOLOv8n ofrece una solución práctica para la detección de plagas de arroz en tiempo real, equilibrando la alta precisión con la eficiencia computacional para la agricultura inteligente.
• El marco propuesto aborda efectivamente los desafíos de la oclusión, la variación de escala y las limitaciones computacionales en el monitoreo de plagas en el campo.
• Esta investigación contribuye al avance de los sistemas automatizados de detección de plagas, cruciales para el cultivo sostenible y eficiente del arroz.