在温室植物环境中使用改进的YOLOv8算法检测植物疾病
1Shandong Provincial University Laboratory for Protected Horticulture, Weifang University of Science and Technology, Weifang, China.
Scientific reports
|February 21, 2024
概括
这项研究介绍了YOLOv8n-vegetable,这是一个增强的物体检测模型,用于识别温室中的植物疾病. 它提高了准确性和速度,同时减少了模型大小,以实现高效的实时疾病监测.
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:
- 在温室中准确检测植物疾病对于作物管理至关重要.
- 现有的物体检测模型面临的挑战是不精确的检测,小物体和不同的尺度.
研究的目的:
- 开发一个优化的物体检测模型 (YOLOv8n-vegetable) 以提高在温室环境中的植物疾病识别.
- 提高检测准确度,速度和效率,以实时监测疾病.
主要方法:
- 集成使用GhostConv的新型C2fGhost模块,以减少参数和提高性能.
- 整合了封闭感知注意模块 (OAM),以在融合过程中保存特征信息.
- 增加了一个专门的层,用于小物体检测和实施HIoU边界损失,以获得更好的收和回归.
主要成果:
- 增强的YOLOv8n-蔬菜模型在自建的温室植物疾病数据集上实现了6.46%的平均平均精度 (mAP) 增加.
- 模型参数和尺寸分别减少了0.16G和0.21 MB.
- 与原始模型和其他先进探测器相比,证明了更好的检测速度,准确性和实时能力.
结论:
- YOLOv8n-vegetable在植物疾病检测准确性和效率方面取得了重大进展.
- 该模型的轻量级和快速性质使其具有高度竞争力,并适合实际的温室应用.
- 该模型为植物疾病的自动和实时监测提供了一个有希望的解决方案.
更多相关视频
09:05Tomato Root Transformation Followed by Inoculation with Ralstonia Solanacearum for Straightforward Genetic Analysis of Bacterial Wilt Disease
Published on: March 11, 2020
11.7K
09:31Author Spotlight: High-Throughput In Vivo Leaf Inoculation for Accelerating Disease Resistance Screening in Poplar Hybrid Breeding
Published on: September 20, 2024
669
