LSD-YOLO:用于有效检测表面疾病的增强YOLOv8n算法
Shuyang Wang1, Qianjun Li1, Tao Yang1
1College of Information Engineering, Sichuan Agricultural University, Ya'an 625000, China.
Plants (Basel, Switzerland)
|August 10, 2024
概括
一个新的模型,表面疾病YOLO (LSD-YOLO),使用先进的卷积技术准确检测疾病. 这有助于提高的质量和产量,通过早期识别疾病.
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:
- 在全球范围内,种植至关重要,但疾病显著降低了产量和质量.
- 早期发现病对于有效管理和作物保存至关重要.
研究的目的:
- 开发和评估一种新的深度学习模型,用于准确和早期检测病.
- 增强特征提取和多尺度特征融合,以改善疾病识别.
主要方法:
- 编制了2022年图像 (健康和疾病) 的综合数据集.
- 提出了一个新型模型,表面疾病YOLO (LSD-YOLO),集成可切换心房卷积 (SAConv) 和卷积区注意模块 (CBAM).
- LSD-YOLO模型包含C2f-SAC和一个小目标检测层,用于增强的特征处理.
主要成果:
- 在病数据集上,LSD-YOLO模型实现了90.62%的精度和mAP@50-95的80.84%的精度.
- 与原来的YOLOv8n相比,该模型表现得更好,特别是在mAP@50和mAP@50-95指标上.
- 增强的特征提取和多尺度融合有助于卓越的检测能力.
结论:
- 拟议的LSD-YOLO模型提供了一个非常准确的解决方案,用于识别健康和患病的.
- 这一进步有效地解决了检测病的挑战,支持农业生产率.
- 该研究强调了将先进的卷积模块集成到农业疾病诊断中的潜力.


