在复杂的果园环境中检测果叶病的增强轻量级模型
Ge Wang1, Wenjie Sang1, Fangqian Xu1
1College of Intelligent Equipment, Shandong University of Science and Technology, Taian, China.
Frontiers in plant science
|April 4, 2025
概括
一个新的轻量级模型,ELM-YOLOv8n,提高了自动果叶病检测的准确性和效率. 该模型是针对移动部署进行了优化,可显著降低计算负载,同时在识别疾病方面保持高精度.
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:
- 自动检测果叶病对优化产量和防止损失至关重要.
- 挑战包括环境变化 (光线,阴影) 和重叠的疾病斑点,降低检测准确度.
- 现有的模型面临着高计算需求,阻碍了实时移动部署.
研究的目的:
- 开发一种增强的轻量级模型 (ELM-YOLOv8n) 来准确检测果叶病,特别是复杂环境中的小目标.
- 为了减少计算资源的消耗,以实现高效的实时移动部署.
- 提高模型对环境干扰的稳定性,并加强类似疾病之间的差异化.
主要方法:
- 集成的Fasternet Block进入了骨干和子网络,以减少模型参数和计算负载.
- 集成的高效多尺度注意力 (EMA) 为增强的特征提取和反干扰能力.
- 设计了一个细节增强的共享卷积缩放检测头 (DESCS-DH),用于改进边缘信息捕获和多尺度检测.
- 利用NWD损失函数来更准确地定位和识别小疾病目标.
主要成果:
- ELM-YOLOv8n模型获得了94.0%的F1分数和96.7%的mAP50,表现优于标准YOLOv8n.
- 模型参数数量减少了44.8%,计算负载减少了39.5%.
- 在检测小疾病目标和处理复杂背景方面表现出卓越的性能.
结论:
- ELM-YOLOv8n为自动检测果叶病提供了一个高度准确和高效的解决方案.
- 该模型的轻量级设计使其适合在移动设备上部署.
- 这些改进有效地解决了复杂环境中的挑战,并改善了微妙疾病指标的检测.
