YOLO-ACT:一种适应性跨层整合方法,用于检测果叶病

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:

• 由于中国的叶病,果种植面临着重大的经济损失.
• 准确而有效的疾病检测对于保持作物产量和质量至关重要.

研究的目的:

• 开发一种先进的方法,以提高准确性和稳定性来检测果叶病.
• 解决自动检测系统中特征差异和类似疾病的出现等挑战.

主要方法:

• 提出了一个基于YOLOv8s架构的自适应跨层集成方法.
• 整合了三个新型模块,以提高检测准确度和减轻环境影响.
• 该方法对各种果叶病进行了评估,包括Alternaria叶斑,青眼叶斑,灰斑,粉状菌和生.

主要成果:

• 拟议的方法实现了平均平均精度 (mAP) 的85.1%,超过YOLOv10s的2.2%.
• 与基线相比,在平均精度 (+5.1%),回忆 (+3.3%) 和mAP50-95 (+2%) 中观察到显著改善.
• 针对特定疾病记录了高检测度的mAP:Alternaria叶斑 (84.3%),青眼叶斑 (90.4%),灰色斑 (80.8%),粉状菌 (75.7%) 和生 (92.0%).

结论:

• 适应性交叉层集成方法提供了比传统检测算法更高的性能,用于检测果叶病.
• 该模型有效地减少了假阴性和假阳性,增强了疾病检测和局部化.
• 这项研究为未来智能农业疾病监测系统的发展提供了基础.