相关实验视频
Updated: Jun 2, 2026
12:31
In Vivo Modeling of the Morbid Human Genome using Danio rerio
Published on: August 24, 2013
20.7K
YOLOv8-G:一种改进的YOLOv8模型,用于在龙果茎中检测主要疾病
Luobin Huang1,2, Mingxia Chen1,2, Zihao Peng3
1Key Laboratory of Advanced Manufacturing and Automation Technology, Guilin University of Technology, Education Department of Guangxi Zhuang Autonomous Region, Guilin 541006, China.
Sensors (Basel, Switzerland)
|August 10, 2024
概括
改进的YOLOv8-G算法提高了龙果茎疾病检测的准确性和效率. 这种智能方法为早期疾病识别提供了更轻,更快的解决方案,提高了作物产量和质量.
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:
- 龙果干病对作物产量和质量产生负面影响.
- 传统的疾病检测方法缓慢,缺乏微整合能力.
- 开发高效,高精度的智能检测对于疾病管理至关重要.
研究的目的:
- 提出一个改进的YOLOv8-G算法,以准确检测龙果茎疾病.
- 为了提高模型的稳定性和小目标识别能力.
- 为了减少实际应用的计算冗余和模型大小.
主要方法:
- 实施了改进的YOLOv8-G算法,其中包括C2f-Faster,SIoU损失,坐标注意力 (CA) 和CARAFE模块.
- 将损失函数修改为结构化交叉与结合 (SIoU).
- 整合注意力机制 (CA) 和特征提取模块 (CARAFE) 以提高性能.
主要成果:
- 改进的YOLOv8-G算法实现了83.1%的平均精度 (mAP) 和48.3%的mAP50:95.
- 与原始模型相比,观察到3.3% (mAP) 和2.3% (mAP50:95) 的显著改善.
- 模型大小减少了20%至4.9 MB,FLOPS减少了14.8%至6.9 G.
结论:
- 增强的YOLOv8-G算法为龙果茎疾病检测提供了更准确,更有效的解决方案.
- 改进的模型显示了较高的稳定性和对小疾病点的更高的识别能力.
- 这项研究为农业中智能疾病检测提供了有价值,轻量级的参考.
