一项基于多维数据融合的研究,实时检测农田的病
Wei Ye1,2, Fei Jiang3,4, Zhaoxing Li5
1Zhejiang University, College of Control Science and Engineering, Hangzhou, Zhejiang, China.
Plant disease
|January 2, 2025
概括
这项研究介绍了TG_YOLOv5,一种高效的基于移动的作物疾病检测模型. 它实现了实时农业应用的高精度和速度,改进了现有方法.
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:
- 准确和实时的作物叶病检测对农业至关重要,特别是在复杂的田间条件下.
- 现有的主流检测模型在移动设备上的效率和准确性方面经常面临局限性.
研究的目的:
- 设计一种基于移动设备的方法,用于准确和实时检测作物叶病.
- 提出一个改进的目标检测和识别算法,TG_YOLOv5,以提高特征提取和效率.
主要方法:
- 通过将多维数据融合,三重注意力,C3CBAM模块和GhostConv轻量级模块集成到YOLOv5架构中,开发了TG_YOLOv5.
- 使用自建的叶疾病数据集进行培训和评估.
- 在Raspberry Pi上部署训练过的轻量级模型,使用MNN引擎加速性能.
主要成果:
- 在叶病数据集上,TG_YOLOv5实现了98.3%的平均平均精度 (mAP) 和97.2%的回忆率.
- 与传统的YOLOv5算法相比,显示了mAP的1.2%改善和回忆的4.3%改善.
- 在MNN引擎加速后,检测速度增加了73.8%,并且在果和番茄数据集上显示出强大的泛化.
结论:
- 拟议的TG_YOLOv5模型为移动设备上的实时作物疾病检测提供了一个实用的解决方案,平衡准确性和效率.
- 该模型的轻量级设计和加速能力为远程农业疾病监测提供了理论基础.


