在低光强度下检测茶病严重性的检测模型基于YOLOv8和EnlightenGAN
Rong Ye1,2, Guoqi Shao2, Ziyi Yang2
1College of Food Science and Technology, Yunnan Agricultural University, Kunming 650201, China.
Plants (Basel, Switzerland)
|May 25, 2024
概括
这项研究引入了一种改进的YOLOv8模型,具有图像增强功能,用于准确检测茶叶病,特别是低光下小病变. 改进后的模型达到87.47%的准确性,改进了现有的方法,以更好地管理茶叶作物.
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:
- 在低光条件下,茶叶疾病的低识别率和难以检测小病变带来了挑战.
- 现有的方法在农业环境中与类似的表型症状和微妙的疾病指标作斗争.
研究的目的:
- 开发一种新的适应性方法,用于准确检测茶叶病的严重程度,特别是在低光环境中.
- 加强检测小病变,提高茶叶植物的整体疾病识别率.
主要方法:
- 一个改进的EnlightenGAN网络被用来增强低光茶病图像的图像.
- 为了检测,开发了一个增强的YOLOv8网络,包括ResNet50,注意力模块,自适应空间特征融合,ODConv块和EIOU损失.
- 该模型经过训练并对其检测茶叶疾病和小病变的能力进行了评估.
主要成果:
- 拟议的YOLOv8-ASFF模型实现了茶病检测准确率为87.47%,平均平均精度 (mAP) 为95.26%.
- 这代表了比标准YOLOv8的2.47%的改进,并且比其他模型 (如Cornernet,SSD和YOLOv5.5) 取得了显著的收益.
- 该方法在低光条件下,在复杂的背景下检测小疾病点的表现优异.
结论:
- 这种新的适应性方法有效地解决了在低光环境中检测茶叶病的挑战.
- 增强的YOLOv8-ASFF模型为评估茶叶疾病严重程度和支持茶叶作物管理提供了强大的解决方案.
- 该模型与边缘计算设备的兼容性凸显了其在精密农业中的实际适用性.
