类黄龙病的检测算法基于改进的YOLOv8nn

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 植物病理学 植物病理学

背景情况:

• 花黄龙 (HLB) 严重影响果产量,需要精确的疾病检测,以有效管理果园.
• 现有的物体检测模型在检测HLB时,由于环境因素,如可变的照明,叶子封闭,小叶子大小和疾病相似性等因素,其准确性较低.

研究的目的:

• 开发一个改进的物体检测模型,YOLO-EAF,以提高花黄龙在自然果园环境中检测的准确性.
• 解决当前模型在特征提取,融合和回归精度上的 HLB 检测的局限性.

主要方法:

• 拟议的YOLO-EAF模型是YOLOv8n的增强,包含一个高效的多尺度注意力模块 (EMA) 来改进特征提取.
• 集成适应空间特征融合 (ASFF) 模块,以增强多层特征融合和模型概括.
• 使用焦点和高效交叉点在欧盟 (Focal-EIOU) 作为损失函数,以加快融合并提高回归精度.

主要成果:

• 与YOLOv8n相比,YOLO-EAF的精度提高了8.4%,在定制类HLB数据集上达到82.7%.
• F1得分提高了3.33%,达到77.83%,mAP (0.5) 增加了3.3%,达到84.7%.
• 该模型显示了增强的回归精度和稳定性.

结论:

• 在复杂的现场条件下,YOLO-EAF在检测花黄龙方面提供了显著的改进,优于标准模型.
• 拟议的模型提供了一种新的技术方法,用于在果园中智能监测和管理HLB.