在复杂的环境中检测土豆晚期虫害叶子
Jingtao Li1, Jiawei Wu1, Rui Liu1
1Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming, 650504, China.
Scientific reports
|December 27, 2024
概括
一个改进的YOLOv5算法增强了土豆晚期虫害检测. 这种轻量级模型使用了ShuffleNetV2和注意力机制,在复杂的现场条件下获得更高的准确性.
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:
- 马晚期腐烂是全球重要的作物疾病.
- 准确和有效的检测对于疾病管理至关重要.
- 现有的检测方法在复杂的环境中面临挑战.
研究的目的:
- 开发一种改进的YOLOv5算法,用于检测土豆晚期病.
- 在复杂的农业环境中提高检测准确性和效率.
- 创建一个轻量级和计算效率高的模型.
主要方法:
- 利用ShuffleNetV2作为模型优化的骨干网络.
- 集成了一个协调注意力机制,以改善对隐蔽或损坏的叶子的检测.
- 采用双向特征金字塔网络进行多尺度特征融合.
主要成果:
- 从7.02M降低到3.87M的模型参数和从15.94G降低到8.4G的FLOP.
- 提高了16%的检测速度和3.22%的平均精度.
- 实现了更轻,更高效的模型,精度提高.
结论:
- 增强的YOLOv5算法为土豆晚期虫害检测提供了强大的解决方案.
- 该模型的效率和准确性适用于复杂的环境条件.
- 这些发现支持实际应用,并进一步研究农作物疾病管理.
