改进了基于深度学习的松树虫疾病诊断系统
Jiaming Xiao1, Jin Wu2, Dongdong Liu1
1School of Technology, Beijing Forestry University, Beijing 100083, China.
Plant disease
|April 23, 2025
概括
一个新的深度学习光检测系统快速识别由松虫 (Bursaphelenchus xylophilus) 引起的松病. 这种先进的方法为森林保护提供了比传统的PCR更快,更准确的替代方案.
科学领域:
- 林业科学 林业科学
- 植物病理学 植物病理学
- 生物技术是生物技术.
背景情况:
- 由Bursaphelenchus xylophilus引起的松病对全球林业构成重大威胁.
- 传统的PCR检测方法耗时且复杂.
- 快速有效的检测对于控制疾病传播和尽量减少松树砍伐至关重要.
研究的目的:
- 利用深度学习开发一种基于光的,快速准确的松病检测系统.
- 增强现有的深度学习模型,以提高线虫检测的准确性和效率.
- 将检测,分析和传输功能集成到一个用户友好的系统中.
主要方法:
- 开发一种基于深度学习的光检测系统,用于Bursaphelenchus xylophilus.
- 传统机器学习算法与图像处理中的YOLOv5和YOLOv10的比较.
- 通过Res2Net和SimAM关注YOLOv5模型的增强,并将PANet替换为Bi-FPN,以改进功能融合.
主要成果:
- 增强的YOLOv5模型实现了39.98%的精度改进,特别是在大尺寸图像中.
- 这种新型系统可以在20分钟内检测低至1fg/μl的松树虫DNA度.
- 该系统集成了检测仪器,计算和移动设备,用于潜在的现场应用.
结论:
- 开发的深度学习光检测系统为识别松病提供了快速,灵敏和准确的方法.
- 这项技术在速度和复杂性方面明显优于传统的检测方法.
- 该系统的综合性和便携性对实际的现场森林健康监测具有很大的前景.
