SSD-YOLO: una red ligera para la detección de enfermedades de las hojas de arroz

Área de la Ciencia:

• Ciencias Agrícolas
• Visión por computadora
• Aprendizaje automático

Sus antecedentes:

• Las enfermedades de la hoja de arroz afectan gravemente el rendimiento y la calidad de los cultivos.
• Los métodos tradicionales de diagnóstico son subjetivos y propensos al error.
• La detección precisa y eficiente de enfermedades es vital para el cultivo del arroz.

Objetivo del estudio:

• Desarrollar un método mejorado basado en YOLOv8 para la detección precisa de la enfermedad del arroz.
• Mejorar la extracción de características y la precisión del muestreo para patrones complejos de enfermedades.
• Mejorar el rendimiento del modelo en condiciones ambientales difíciles.

Principales métodos:

• Implementó un nuevo modelo SSD-YOLO que integra la atención de la red de compresión y excitación (SENet).
• Se utilizó un módulo de muestreo dinámico (DySample) para mejorar la precisión de la toma de muestras.
• Pérdida de intersección consciente de la forma sobre la Unión (ShapeIoU) para una detección mejorada.
• Entrenado y validado el modelo en un conjunto de datos de 3000 imágenes de enfermedades de la hoja de arroz.

Principales resultados:

• SSD-YOLO logró altas precisiones de detección: 87.52% para la mancha marrón, 99.48% para la explosión y 98.99% para la explosión bacteriana.
• Se observaron mejoras significativas con respecto al YOLOv8 original: 11,11% para la mancha marrón, 1,73% para el blastoma y 3,81% para el blastoma bacteriano.
• El modelo es compacto (6MB) mientras demuestra una mayor precisión y velocidad de detección.

Conclusiones:

• El modelo SSD-YOLO ofrece una solución robusta y eficiente para la identificación oportuna de enfermedades del arroz.
• La integración de SENet, DySample y ShapeIoU aumenta significativamente el rendimiento de la detección.
• Este enfoque proporciona un valioso apoyo para la agricultura de precisión y el control de enfermedades en el cultivo del arroz.