检测大米疾病:TLI-YOLO创新方法用于增强检测和移动兼容性
Zhuqi Li1, Wangyu Wu2, Bingcai Wei3
1School of Computer and Control Engineering, Northeast Forestry University, Harbin 150006, China.
Sensors (Basel, Switzerland)
|April 26, 2025
概括
一个新的转移层iRMB-YOLOv8 (TLI-YOLO) 模型提高了大米疾病检测的准确性和效率. 这种高效,移动兼容的模型减少了数据集需求,并改善了可持续农业的现场诊断.
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:
- 检测病对全球粮食安全和可持续农业至关重要.
- 现有的技术效率低,准确度差,数据要求高,限制了移动部署.
- 需要准确,资源高效的,适合移动设备的病鉴定模型.
研究的目的:
- 为移动部署开发一个高度准确和资源高效的病检测模型.
- 为了解决现有的病识别技术的局限性.
主要方法:
- 提出了转移层iRMB-YOLOv8 (TLI-YOLO) 模型,通过转移学习修改了YOLOv8.
- 集成了一种新的小物体检测层和iRMB注意力机制 (反向剩余块和变压器) 具有深度可分离的卷积.
- 利用了WIoUv3损失函数与动态非单调聚合机制,以改进边界框评估.
主要成果:
- TLI-YOLO模型实现了93.1%的精度,88%的回忆,95%的mAP和90.48%的F1得分,达到12.60GFLOPS.
- 与YOLOv8n相比显示了显著的改进:精度+7.8%,回忆+7.2%,mAP@.5.6%.
- 在Android设备上实现实时检测 (30 FPS),满足现场诊断需求.
结论:
- TLI-YOLO模型为米疾病检测提供了强大而高效的解决方案.
- 它的移动兼容性和改进的性能支持现场实际的农业监测.
- 这项技术为提高大米生产和可持续农业实践提供了至关重要的支持.
