米の葉の病気の複雑な圃場環境における早期検出のための軽量で一般化可能なディープラーニングフレームワーク
Chong Zhang1,2,3, Xiaoxi Hao1, Jianan Liang4,5,6
1School of Mechanical and Automation Engineering, Wuyi University, Jiangmen, 529020, China.
Scientific reports
|December 22, 2025
まとめ
この研究では、食料安全保障を改善する、米の葉の病気の正確な早期検出のための新しい軽量ディープラーニングフレームワークを紹介します。このモデルは、実際の条件下で優れており、ジャガイモやトマトなどの他の作物にも一般化できます。
科学分野:
- 農業科学
- コンピュータサイエンス
- 植物病理学
背景:
- 米の葉の病気は世界の食料安全保障を脅かしており、早期かつ正確な検出が必要です。
- 既存の検出方法は、変動する圃場条件、計算上の制限、および一般化の課題に直面しています。
- 微妙な早期の病変は特定が困難であり、タイムリーな病気管理を妨げています。
研究 の 目的:
- 頑健な米の葉の病気の検出のための新しい軽量ディープラーニングフレームワークを開発すること。
- 微妙な早期の病気の症状を特定するための特徴抽出を強化すること。
- スマート農業におけるエッジデバイスに適した計算効率の高いモデルを作成すること。
主な方法:
- マルチスケール特徴抽出のためのマルチブランチ大規模カーネルフュージョンデプスワイズ（MLFD）モジュールを特徴とする新しい軽量ディープラーニングフレームワークを提案しました。
- 特徴表現の改善のために、注意メカニズムを備えたマルチスケール拡張トランスフォーマーアテンション（MDTA）モジュールを統合しました。
- グループ化およびデプスワイズ畳み込みを使用した軽量検出ヘッド（Lo-Head）を開発し、モデルの複雑さを軽減しました。
- 米、ジャガイモ、トマトの葉の病気のデータセットで広範な実験を実施しました。
主要な成果:
- 米の葉の病気のデータセットで平均平均精度（mAP@0.5:0.95）62.62%を達成し、最先端の軽量検出器を上回りました。
- 計算負荷を6.3 GFLOPsおよび2.66Mパラメータで低く抑えました。
- 独立したジャガイモとトマトの葉の病気のデータセットで優れたパフォーマンスと転移性を示し、同等のモデルを上回りました。
結論:
- 提案された軽量ディープラーニングフレームワークは、葉の病気の検出において高い精度、計算効率、および優れた作物間一般化を提供します。
- このフレームワークは、プロアクティブな病気の監視のためにスマート農業におけるリソースに制約のあるエッジデバイスへの展開に適しています。
- この技術は、精密制御戦略を可能にし、多様な農業アプリケーションにおける食料安全保障の強化に貢献します。
