基于注意力机制和多尺度特征融合的番茄叶病检测
Yong Wang1, Panxing Zhang1, Shuang Tian1
1School of Computer Science and Technology, Zhejiang University of Technology, Hangzhou, China.
Frontiers in plant science
|April 24, 2024
概括
这项研究引入了使用注意力机制和多尺度特征融合的改进的番茄叶病检测方法. 这种新的方法通过更好地识别小病变和克服干扰,提高了自然环境中的准确性.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 在自然环境中检测番茄叶病是具有挑战性的,因为照明变化,遮和小病变大小,影响准确性.
- 现有的方法很难有效地从小病变中提取特征,并减轻环境干扰.
研究的目的:
- 开发一种先进的番茄叶病检测方法.
- 在具有挑战性的环境条件下,提高小叶病变的检测准确度和定位.
主要方法:
- 将卷积块注意模块 (CBAM) 纳入特征提取网络,以改善损伤特征提取并减少环境干扰.
- 通过将浅层特征集成到RepGFPN以更好地实现特征融合和小损伤定位,开发了一种新的多尺度重新参数化的通用特征融合模块 (BiRepGFPN).
- 在YOLOv6模型中用BiRepGFPN取代了路径聚合特征金字塔网络 (PAFPN),以有效地融合深度语义和浅层空间信息.
主要成果:
- 拟议的模型在PlantDoc数据集上的各种最先进的模型 (YOLOX,YOLOv5,YOLOv6,YOLOv6-s,YOLOv7,YOLOv8) 上实现了平均平均精度 (mAP) 的显著改进.
- 在专门的番茄叶病数据集上,该模型实现了92.9%的精度,95.2%的回忆,94.0%的F1得分和93.8%的mAP,超过了基线模型.
结论:
- 提出的基于注意力的多尺度特征融合方法显著提高了番茄叶病检测性能.
- 该方法展示了强大的概括能力和在现实环境挑战下识别疾病的有效性.
