在复杂的场景中检测受保护的植物疾病的轻量级框架
Jun Liu1, Xuewei Wang1, Qian Chen2
1Shandong Provincial University Laboratory for Protected Horticulture Weifang University of Science and Technology Weifang China.
Food science & nutrition
|May 5, 2025
概括
这项研究介绍了VegetableDet,这是一个用于智能农业的AI系统,可以准确检测受保护的植物疾病. 它提高了复杂环境中的检测精度和实时性能,支持高效的作物管理.
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:
- 植物病对农业生产构成重大威胁,影响作物产量和质量.
- 传统的手动检查方法用于疾病检测是耗时的,劳动密集的,容易出现不准确.
- 现有的计算机视觉方法与复杂的背景,多种疾病症状和现实世界种植环境中的遮作斗争.
研究的目的:
- 开发一个智能系统,准确有效地检测受保护的植物疾病.
- 为了克服有限的数据采集和植物疾病识别样本稀缺的挑战.
- 提高计算机视觉模型在智能农业中的稳定性和实时性能.
主要方法:
- 开发了VegetableDet,这是一个轻量级的深度学习网络,集成可变形注意力变压器 (DAT) 与YOLOv8n.
- 整合了一个通道空间自适应注意力机制 (CSAAM),用于精确的特征定位和增强.
- 实施了差异化数据增强策略和层次化的渐进转移学习,以改善模型培训和适应.
主要成果:
- 在检测5种蔬菜类型的30种疾病和健康样本方面,VegetableDet实现了高性能.
- 精度 (P),回忆 (R) 和平均精度 (AP) 超过90%,平均平均精度 (mAP) 为94.31%.
- 该模型在复杂的环境条件下表现出强大的适应性和抗干扰能力.
结论:
- VegetableDet提供了一种可靠的技术解决方案,用于实时监测和精确控制受保护的植物疾病.
- 开发的系统为推进智能农业和提高蔬菜生产效率提供了巨大的潜力.
- 注意力机制和转移学习策略的创新组合显示出未来农业人工智能应用的前景.
相关概念视频
02:26Defenses Against Pathogens and Herbivores
22.3K
Plants present a rich source of nutrients for many organisms, making it a target for herbivores and infectious agents. Plants, though lacking a proper immune system, have developed an array of constitutive and inducible defenses to fend off these attacks.
22.3K
02:16Light Acquisition
8.4K
In order to produce glucose, plants need to capture sufficient light energy. Many modern plants have evolved leaves specialized for light acquisition. Leaves can be only millimeters in width or tens of meters wide, depending on the environment. Due to competition for sunlight, evolution has driven the evolution of increasingly larger leaves and taller plants, to avoid shading by their neighbors with contaminant elaboration of root architecture and mechanisms to transport water and nutrients.
8.4K