ナス科野菜の病害虫検出のための方向性特徴量集約と形状認識型教師付けを行うDFSNet

科学分野:

• 農業科学
• コンピュータビジョン
• 人工知能

背景:

• ナス科野菜の果実の病害虫検出は、病変のサイズが小さい、エッジが弱い、スケール変動がある、背景が複雑であるといった理由から、自然環境では困難です。
• 具体的には、果実の穿孔痕、腐敗病変、アザミウマの食害痕などが挙げられ、これらはサイズ、エッジ構造、空間分布が異なり、正確なリアルタイム検出を妨げています。

研究 の 目的:

• 自然なシーンにおけるナス科野菜の果実の正確かつリアルタイムな病害虫検出のための、軽量で改良された深層学習ネットワークであるDFSNetを提案すること。
• 複雑な背景条件下での、穿孔痕や食害痕のような小さく複雑な病害虫の特徴の検出を強化すること。

主な方法:

• 浅い特徴抽出にPConvを導入し、微細な方向性テクスチャと弱いエッジのモデリングを改善しました。
• 方向性エッジエンハンサー（DEE）を備えたマルチスケール方向性集約（MSDA）モジュールを設計・組み込み、エッジと輪郭の知覚を強化しました。
• マルチスケール線形アテンションとクロスステージ部分接続を備えたCSP-MSLA構造を組み込み、選択的な領域強化と計算複雑性の削減を実現しました。
• スケールベースの動的損失を備えた形状ベースの動的検出ヘッド（SDDH）を開発し、様々な病害虫の特徴とスケールに適応させました。

主要な成果:

• DFSNetは、カスタムナス科野菜の病害虫データセットにおいて、精度81.0%、再現率78.3%、mAP@50 80.5%を達成しました。
• ベースラインモデルと比較して、精度+6.9%、再現率+8.8%、mAP@50 +7.8%と大幅な改善を示しました。
• パラメータ数1.8M、計算コスト5.4Gの軽量モデルを実現し、推論速度は378.13 FPSと高速です。

結論:

• 提案されたDFSNetは、リアルタイム性能を維持しながら、複雑な背景における小ターゲット検出の精度と堅牢性を効果的に向上させます。
• DFSNetは、果実の穿孔痕やメロンアザミウマの食害痕のような小ターゲットの検出において、顕著な利点を示します。
• このモデルは、自然な栽培環境におけるナス科野菜の果実の病害虫に対する効率的で堅牢なリアルタイム検出ソリューションです。