数字框架用于使用循环人工智能和YOLO基础模型对香枯的地理参考多平台监测
Juan Jose Mora1, Guy Blomme2, Nancy Safari3
1Alliance of Bioversity International and International Center for Tropical Agriculture (CIAT), Km 17 Recta Cali-Palmira, Cali, Colombia.
Scientific reports
|January 28, 2025
概括
一个人工智能监控系统使用深度学习模型改进了香枯检测. YOLOv9在航空图像方面表现出色,而YOLOv8则在地面水平的疾病识别方面领先,提高了作物管理.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 植物病理学 植物病理学
背景情况:
- 香是全球重要的粮食来源,受到枯疾病的威胁.
- 目前的疾病检测方法缓慢,劳动密集,不准确.
- 有效的疾病监测对于香作物管理和粮食安全至关重要.
研究的目的:
- 开发和评估一个人工智能驱动的,多平台的,针对香枯疾病的地理参考监测系统.
- 为了比较深度学习模型 (YOLO-NAS,YOLOv8,YOLOv9,Faster-RCNN) 的疾病检测性能.
- 将可解释AI和人类整合到循环AI中,以提高模型的透明度和准确性.
主要方法:
- 开发了一个使用深度学习的多平台地理引用监控系统.
- 在空中和地面图像上评估了YOLO-NAS,YOLOv8,YOLOv9和Faster-RCNN模型.
- 应用可解释的人工智能 (梯度加权类激活映射) 和人类在循环的人工智能.
主要成果:
- 在空中图像中,YOLOv9在检测Fusarium Wilt和Xanthomonas Wilt方面表现出卓越的性能 (mAP@50: 55-86%).
- YOLOv8在不同地区和植物部位的地面水平疾病检测方面实现了高精度 (mAP@50:65-99%).
- 可解释的人工智能和人类在循环中的人工智能提高了模型透明度和基层预测准确度.
结论:
- 由人工智能驱动的监控系统显著提高了香病的检测和管理.
- 深度学习模型,特别是YOLOv9和YOLOv8,为空中和地面疾病监测提供了有效的解决方案.
- 整合先进的人工智能技术提高了农业疾病监测系统的可靠性和实际应用.
