通过YOLO驱动的深度学习推进常见豆 (Phaseolus vulgaris L.) 疾病检测,以增强农业AI

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 植物病理学 植物病理学

背景情况:

• 常见豆是重要的蛋白质来源,但疾病显著影响产量和质量.
• 由于症状变化和病原体相似性,农民对视觉疾病的检测是不可靠的.
• 专家诊断是准确的,但资源密集型,限制了农民的可访问性.

研究的目的:

• 开发一个人工智能驱动的系统,以快速,经济高效地检测常见豆类疾病.
• 利用深度学习和对象检测来识别五种主要的常见豆类疾病.
• 为农民创造一个实用的工具,以改善疾病管理和作物生产率.

主要方法:

• 收集了来自非洲和哥伦比亚的常见豆类疾病的大量图像数据集.
• 利用数据增强和整体和微级别的注释进行培训.
• 训练和评估了三个YOLO架构 (YOLOv7,YOLOv8,YOLO-NAS) 用于疾病检测.
• 将表现最好的YOLO-NAS模型部署到一个Android应用程序中进行现场验证.

主要成果:

• 在整个叶病检测方面,YOLO-NAS实现了最高的mAP (97.9%) 和召回 (98.8%).
• YOLOv7和YOLOv8在检测全病症方面表现优异 (mAP>95%).
• 在所有模型中,微层次的注释与全层次的注释相比,始终表现不佳.
• 安卓应用程序在未见的数据上显示了高分类准确性 (90%).

结论:

• 由人工智能驱动的深度学习模型,特别是YOLO-NAS,为检测常见豆类疾病提供了高度准确和高效的解决方案.
• 开发的Android应用程序为农民提供了有价值的工具,能够及时管理疾病并提高作物生产率.
• 将深度学习集成到生产管道 (DLOps) 中,可以促进农业的快速部署和现实影响.