DM-YOLO:改进了YOLOv9模型,用于检测番茄叶病

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:

• 在自然环境中检测番茄叶病是具有挑战性的,因为不同的照明,重叠的症状,小病变和叶子封闭.
• 准确和早期的疾病检测对于有效的作物管理和农业产量保存至关重要.

研究的目的:

• 提出一种改进的番茄叶病检测方法DM-YOLO,在复杂的自然环境中提高准确性和稳定性.
• 为了解决现有方法在检测小,重叠或封闭的病变在番茄叶上的局限性.

主要方法:

• 开发了DM-YOLO,这是一个基于YOLOv9算法的增强检测模型.
• 整合了轻量级的动态上采样 (DySample),以改善小损伤特征提取和背景噪声抑制.
• 利用MPDIoU损失函数来完善重叠的病变边缘的局部化.

主要成果:

• 与主流改进模型相比,DM-YOLO表现出优越的性能,精度增加范围从1.7%到2.3%.
• 在番茄叶病数据集上,DM-YOLO获得了92.5%的精度,95.1%的平均精度 (AP) 和86.4%的平均精度 (mAP).
• 与基线YOLOv9相比,DM-YOLO在精度上有3%的改善,在AP上有1.7%,在mAP上有1.4%.

结论:

• 拟议的DM-YOLO方法在番茄叶病检测准确性和定位方面提供了显著的改进.
• 这种先进的检测能力为开发智能农业和有效的植物疾病控制战略提供了强有力的支持.
• 在农业监测和管理方面,DM-YOLO显示出相当大的实际应用潜力.