HSSNet:一个端到端的网络,用于在复杂的背景中检测复杂的果叶疾病的微小目标
Xing Gao1, Zhiwen Tang1, Yubao Deng1
1College of Computer & Information Engineering, Central South University of Forestry and Technology, Changsha 410004, China.
Plants (Basel, Switzerland)
|August 12, 2023
概括
这项研究介绍了HSSNet,这是一种用于检测微小果叶病斑的深度学习模型. HSSNet提高了自动疾病控制的准确性和速度,减少了作物损失.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 植物病理学 植物病理学
背景情况:
- 果叶病显著降低作物产量和质量.
- 早期检测和自动控制对于减轻经济损失至关重要.
- 标准的深度学习检测器与微小的疾病目标和复杂的背景作斗争.
研究的目的:
- 开发一个有效的深度学习探测器,用于微小的果叶病目标.
- 为了应对复杂背景,小目标检测和预测盒偏差的挑战.
- 为自动控制果叶病提供一种工具.
主要方法:
- 构建了一个微小的目标数据集 (TTALDD-4),包含四种常见的果叶病.
- 提出了基于YOLOv7-tiny的探测器HSSNet,该探测器结合了H-SimAM注意力和SP-BiFormer块.
- 利用SIOU损失来完善预测框的准确性.
主要成果:
- HSSNet实现了85.04%的平均平均精度 (mAP) 和67.53%的平均回忆 (AR).
- 该模型显示了每秒83 (FPS) 的高检测速度.
- 在准确性方面,HSSNet的性能优于标准探测器,同时保持实时性能.
结论:
- 在检测微小的果叶病目标方面,HSSNet提供了显著的进步.
- 提出的方法提高了对病变的注意力,并改善了微小的目标感知.
- HSSNet为自动化果叶病管理和研究提供了可行的解决方案.
