通过全球和本地特征融合,有效的基于深度学习的番茄叶病检测.
Hao Sun1, Rui Fu1, Xuewei Wang1
1Shandong Facility Horticulture Bioengineering Research Center, Weifang University of Science and Technology, Weifang, 262700, China.
BMC plant biology
|March 12, 2025
概括
一个高效的番茄疾病检测网络 (E-TomatoDet) 提高了智能农业的检测准确性. 该模型增强了全球和本地特征感知,以更好地识别番茄植物疾病.
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:
- 智能农业在检测番茄叶病方面面临挑战,原因是叶子封闭和小病区.
- 现有的模型在复杂的背景和不同疾病尺度上扎,阻碍了准确的识别.
研究的目的:
- 提出一个高效的番茄病检测网络 (E-TomatoDet),以加强番茄叶病的识别.
- 改善对全球和本地特征的感知,以实现更强大的检测.
主要方法:
- 将集成的CSWinTransformer (CSWinT) 集成到骨干中,以改善全球特征捕获.
- 开发了一个全面的多核模块 (CMKM),用于多规模的本地特征学习.
- 设计了一个局部特征增强金字塔 (LFEP) 项链网络,以整合跨检测层的多尺度特征.
主要成果:
- 在番茄叶病数据集上,E-TomatoDet实现了97.2%的平均平均精度 (mAP50),比基线改善4.7%.
- 该模型超过了先进的YOLOv10s实时检测网络的性能.
- 在检测多种规模和复杂背景的番茄叶病目标方面显著改善.
结论:
- 拟议的E-TomatoDet有效地解决了在具有挑战性的农业条件下检测番茄叶病的局限性.
- 这项研究为智能农业系统中有效检测蔬菜害虫和疾病提供了可行的解决方案.
