咖啡叶生病检测和实施边缘设备,通过深度学习算法修剪受感染的叶子

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 全球变暖和气候变化加剧了咖啡叶生 (Hemileia vastatrix),对咖啡种植园的生产力构成重大威胁.
• 目前对咖啡叶生的农药应用往往是低效的;针对性地修剪受感染的叶子可以提高治疗效率.
• 准确检测咖啡叶生对于明智的修剪决策和有效的疾病管理至关重要.

研究的目的:

• 开发和评估深度学习模型 (YOLOv5和YOLOv8),用于自动检测咖啡叶生 (CLR).
• 评估训练有素的模型在使用各种摄像头输入和边缘设备的实时检测中的性能.
• 将CLR检测系统与阿拉伯咖啡种植场的修剪解决方案集成在一起.

主要方法:

• 使用数字无镜和手机摄像机收集了2024张咖啡叶图像的数据集,这些图像被标记为"CLR".
• 图像被用来训练YOLOv5和YOLOv8卷积神经网络 (CNN) 算法.
• 用平均精度 (mAP) 和回忆来评估模型性能,并对各种数据集和实时场景进行测试.

主要成果:

• 与YOLOv5 (70.5%) 相比,YOLOv8在检测咖啡叶生方面取得了更高的mAP (73.2%) .
• 在边缘设备上成功部署了CLR的实时检测,可靠性很高.
• 开发的系统与专门为阿拉伯咖啡种植场设计的修剪设备相结合.

结论:

• YOLOv8在自动咖啡叶生检测方面表现出卓越的性能,性能优于YOLOv5.
• 基于人工智能的检测系统为咖啡种植园实时监测和有针对性的干预提供了可行的解决方案.
• 与修剪技术的整合为更高效和可持续的咖啡种植实践提供了途径.