使用GCS-YOLOv8网络检测黄瓜病原性子,使用自然场景中的显微镜图像

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:

• 菌病显著影响蔬菜的质量和产量.
• 准确和快速检测致病子对于疾病管理至关重要.
• 自然环境中的挑战包括复杂的背景,小子大小和各种形式.

研究的目的:

• 开发一种改进的检测方法,以在自然场景中检测小目标病原体子.
• 通过深度学习提高真菌子检测的准确性和稳定性.
• 为植物真菌病的早期预测和预防提供技术支持.

主要方法:

• 提出了一个优化的YOLOv8模型,命名为GCS-YOLOv8 (全球上下文和CARFAE和小型探测器优化的YOLOv8).
• 包含一个小目标检测层,以提高对小子的敏感性.
• 综合全球上下文注意力和内容意识重组特征 (CARAFE) 增强特征提取.
• 利用可解释的人工智能 (XAI) 进行模型解释.

主要成果:

• 在三种真菌物种中,GCS-YOLOv8模型实现了0.926的检测准确度.
• 模型尺寸被优化为22.8 MB,证明了效率.
• 与现有方法相比,该模型表现出优越的性能,在不同亮度条件下具有良好的稳定性.
• 在对黄瓜菌感染结构的显微镜图像上观察到成功的概括.

结论:

• GCS-YOLOv8模型在自然场景中准确检测病原体子,克服了以前的局限性.
• 这种方法为早期预测和预防真菌病提供了可行的技术解决方案.
• 该研究强调了先进的人工智能模型在疾病监测的农业应用中的潜力.