走向真实的风景:一种轻量级的番茄生长检查算法,用于检测叶病和计数水果
Rui Kang1,2, Jiaxin Huang1, Xuehai Zhou2
1Institute of Agricultural Information, Jiangsu Academy of Agricultural Sciences, Nanjing 210044, China.
Plant phenomics (Washington, D.C.)
|April 17, 2024
概括
这项研究引入了番茄作物的智能监测框架,有效地识别疾病并使用改进的YOLO-TGI深度学习模型计算水果. 该系统为农业监测提供了高效和强大的性能.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 监测番茄植物生长面临疾病变异性和环境条件带来的挑战.
- 智能监测系统需要可靠的方法来同时识别疾病和计数水果.
研究的目的:
- 开发一个自主番茄作物监测的综合级联框架.
- 增强深度学习模型,以准确检测叶病和计数水果.
主要方法:
- 一个带有智能手机摄像头的自主机器人收集了温室图像.
- 通过Ghost和CBAM模块改进了YOLO-TGI深度学习网络.
- 最先进的追踪器 (Byte-Track,Motpy,FairMot) 已集成用于果子计数.
主要成果:
- YOLO-TGI 和 Byte-Track 组合显示出最好的性能.
- 对于疾病检测,YOLO-TGI-N模型实现了低计算需求 (2.05 G FLOPs,3.7 M重量) 的0.72 mAP.
- 通过YOLO-TGI-S和Byte-Track实现了高精度 (R2=0.93,RMSE=9.17) 的果子计数,并提高了计数速度.
结论:
- 开发的框架为农业自动化监控提供了一个潜在的解决方案.
- 这种方法可以适应监测各种各样的水果和蔬菜作物.
