根据YOLO-EfficientNet识别水培的生长状况
Yidong Wang1, Mingge Wu1, Yunde Shen1
1College of Mechanical and Electrical Engineering, Wenzhou University, Wenzhou 325035, China.
Plants (Basel, Switzerland)
|February 10, 2024
概括
这项研究介绍了YOLO-EfficientNet,这是一种用于识别水培生菜生长状态的AI方法. 它准确地检测害虫和疾病,改善高质量的作物种植.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉
- 植物病理学 植物病理学
背景情况:
- 水培生菜种植面临着手动识别害虫和疾病的挑战,影响效率和质量.
- 目前的方法耗时,容易出错,对于现代高产农业来说是不够的.
研究的目的:
- 开发一种自动化方法来识别水培生长状态,特别是检测害虫和疾病.
- 通过人工智能驱动的分析,提高水培生菜种植的效率和准确性.
主要方法:
- 利用YOLO-v8n进行物体检测,从视频数据中识别单个水培菜植物.
- 使用EfficientNet-v2s进行图像分类,将生菜生长状态分类为健康,疾病和害虫.
- 创建了两个数据集:数据集A (2240) 用于检测和数据集B (12,000截图图像) 用于分类.
主要成果:
- YOLO-v8n在检测生菜的位置方面实现了~99%的准确性和回忆.
- EfficientNet-v2s表现出高性能,95.78%的验证精度,94.68%的测试精度,96.02%的回忆,96.32%的精度和96.18%的F1分数.
- YOLO-EfficientNet方法显示了自动化农业应用的巨大潜力.
结论:
- 拟议的YOLO-EfficientNet方法提供了一个有效的解决方案,用于自动识别水培生菜生长状态.
- 这种人工智能驱动的方法可以显著改善水培农业中害虫和疾病的管理.
- 该研究强调了深度学习在推进精准农业和可持续食品生产方面的潜力.


