孟加拉国作物叶病检测使用YOLOv8
Md Shahriar Zaman Abid1, Busrat Jahan1, Abdullah Al Mamun2
1Department of Computer Science and Engineering, Feni University, Feni, Bangladesh.
Heliyon
|September 23, 2024
概括
这项研究使用计算机视觉模型YOLOv8,准确检测和分类孟加拉国主要作物如大米和西红中的叶病. 这种先进的系统显著改善了早期疾病识别,提高了作物产量和粮食安全.
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:
- 叶病对孟加拉国的作物产量和粮食安全构成重大威胁.
- 大米,玉米,小麦,土豆和西红等主要作物非常容易受到影响.
- 对于早期疾病检测和管理的自动化系统有着至关重要的需求.
研究的目的:
- 评估YOLOv8对象检测模型的有效性,用于自动识别叶病.
- 为了比较YOLOv8在检测孟加拉国关键作物的疾病方面的表现与之前的模型.
- 通过先进的计算机视觉技术提高作物疾病检测和管理的效率.
主要方法:
- 在19个类别 (叶病类型) 的2850张图像的数据集进行了策划和注释.
- 在培训中使用了YOLOv8 (You Only Look Once) 深度神经网络框架.
- 性能使用标准指标进行评估,包括平均平均精度 (mAP) 和F1分数.
主要成果:
- YOLOv8框架实现了高平均平均精度 (mAP) 的98%.
- 该系统在疾病识别方面显示出97%的F1得分.
- 在研究的作物中,YOLOv8成功检测和分类了叶病.
结论:
- YOLOv8显示了准确和高效的自动化作物疾病管理的巨大潜力.
- 这项技术可以有助于改善孟加拉国的粮食安全和农业可持续性.
- 该研究强调了先进的计算机视觉对农业挑战的有效性.


