収穫前と収穫後の果実のリンゴのリアルタイム識別と定量化,YOLO11を使用して:ディープラーニングのアプローチ

科学分野:

• 植物病理学 植物病理学
• コンピュータビジョン コンピュータビジョン
• 農業技術 農業技術について

背景:

• ベンチュリア・イネクワリス (Venturia inaequalis) によって引き起こされるリンゴの皮 (AS) は,リンゴの収穫量と品質を大幅に低下させます.
• ASの伝統的な視覚スコア付けは主観的で,労働集約的で,再現性が欠如しています.
• 正確なASフェノタイプ化は,病気に耐性のある品種の繁殖と効果的な作物管理に不可欠です.

研究 の 目的:

• 自動化されたリンゴのフェノタイプ化のためのディープラーニングフレームワークの開発と検証.
• リンゴの果実におけるAS症状の正確でスケーラブルな検出とセグメンテーションを可能にするために.
• リンゴの栽培における手作業による疾患評価の限界を克服するために.

主な方法:

• オブジェクト検出とAS症状のセグメンテーションのためにYOLO基盤モデル (YOLO11) を利用しました.
• 高解像度カラー画像 (864x864ピクセル) の2段階の微調整プロセスを採用しました.
• 健康な果実の検出モデル (モデル1) を訓練し,AS病変のセグメンテーション (モデル2) を精製しました.

主要な成果:

• モデル1 (フルーツ検出) は,0.98の精度,0.95のリコール,および0.94mAP50.94の高性能を達成しました.
• モデル2 (レシオンセグメンテーション) は,0.64の精度,0.75のリコール,0.75のmAP50.75で強力な結果を示しました.
• 高解像度のデータは,以前のアーキテクチャと比較して,微細なスケールの病変のセグメンテーションの精度を50%以上改善しました.

結論:

• ディープラーニングのフレームワークは,制御された環境とフィールド環境の両方で,自動化されたASのフェノタイプ化のための信頼できるパイプラインを提供します.
• このアプローチは,リンゴの分類を強化し,AS耐性に対する育種プログラムを加速します.
• この研究は,植物病のリアルタイムモニタリングと,他の病気の検出を統合するための基礎を提供します.