DFSNet: agregació direccional de característiques i supervisió conscient de la forma per a la detecció de plagues i...

Área de la Ciencia:

• Ciencia Agrícola
• Visión por Computadora
• Inteligencia Artificial

Sus antecedentes:

• La detección de plagas y enfermedades en frutos de berenjena en entornos naturales es un desafío debido al pequeño tamaño de las lesiones, los bordes débiles, las variaciones de escala y los fondos complejos.
• Los problemas específicos incluyen agujeros de barrenadores en los frutos, lesiones por pudrición y marcas de mordeduras de trips, que difieren en tamaño, estructura de borde y distribución espacial, lo que dificulta la detección precisa en tiempo real.

Objetivo del estudio:

• Proponer DFSNet, una red de aprendizaje profundo ligera y mejorada para la detección precisa y en tiempo real de plagas y enfermedades en frutos de berenjena en escenas naturales.
• Mejorar la detección de características de plagas y enfermedades pequeñas e intrincadas, como agujeros de barrenadores y marcas de mordeduras, en condiciones de fondo complejas.

Principales métodos:

• Se introdujo PConv en la extracción de características superficiales para mejorar la modelización de texturas direccionales de grano fino y bordes débiles.
• Se diseñó y se integró un módulo de Agregación Direccional Multiescala (MSDA) con un Mejorador de Bordes Direccionales (DEE) para una percepción mejorada de bordes y contornos.
• Se incorporó una estructura CSP-MSLA con atención lineal multiescala y conexiones parciales entre etapas para la mejora selectiva de regiones y la reducción de la complejidad computacional.
• Se desarrolló una Cabeza de Detección Dinámica Basada en Forma (SDDH) con Pérdida Dinámica Basada en Escala para adaptarse a las variables características y escalas de plagas/enfermedades.

Principales resultados:

• DFSNet logró un 81,0% de Precisión, un 78,3% de Recall y un 80,5% de mAP@50 en un conjunto de datos personalizado de plagas y enfermedades de la berenjena.
• Demostró mejoras significativas sobre el modelo base: +6,9% de Precisión, +8,8% de Recall y +7,8% de mAP@50.
• Logró un modelo ligero con 1,8M de parámetros, un coste computacional de 5,4G y una alta velocidad de inferencia de 378,13 FPS.

Conclusiones:

• El DFSNet propuesto mejora eficazmente la precisión y la robustez de la detección de objetivos pequeños en fondos complejos, manteniendo al mismo tiempo el rendimiento en tiempo real.
• DFSNet muestra ventajas significativas en la detección de objetivos pequeños como agujeros de barrenadores en los frutos y marcas de mordeduras de trips del melón.
• El modelo es una solución de detección en tiempo real eficiente y robusta para plagas y enfermedades de frutos de berenjena en entornos de cultivo naturales.