YOLOV8-CMS:一种高精度的深度学习模型,用于自动化叶病的分类和分级
Hongyan Zhu1,2, Dani Wang3,4, Yuzhen Wei5
1Guangxi Key Laboratory of Brain-Inspired Computing and Intelligent Chips, School of Electronic and Information Engineering, Guangxi Normal University, Guilin, 541004, China. hyzhu-zju@foxmail.com.
Plant methods
|June 23, 2025
概括
这项研究引入了一种先进的深度学习模型,YOLOV8-CMS,用于准确的叶疾病分类和严重程度分级. 该模型通过改善果生产中的疾病检测和管理,显著提高了精准农业.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 植物病理学 植物病理学
背景情况:
- 叶病对农业生产力和水果质量构成重大威胁.
- 准确识别和分类这些疾病对于有效管理至关重要.
研究的目的:
- 开发和评估一种基于深度学习的方法来分类叶病.
- 实施基于病变与叶片面积比率的细分方法来量化疾病严重程度.
主要方法:
- 开发了一个新的分类模型,YOLOV8-CMS,集成CSPPC,多维注意力和 SpatialConv 模块.
- 使用细分技术划分了叶子和病变区域,以评估严重程度.
- 对各种YOLO架构 (YOLOV8系列,YOLOV5,YOLOV3) 的性能进行了基准测试.
主要成果:
- 在YOLOV8-CMS模型中,健康与疾病叶子分类的mAP50实现了98.2%.
- 该模型在多类疾病分类中显示了97.9%的准确性.
- 细分使得精确的,定量性的疾病严重程度分级.
结论:
- 与传统方法相比,YOLOV8-CMS模型在叶疾病分类方面提供了卓越的性能.
- 综合细分方法提供了准确的,定量性的疾病严重程度评估.
- 深度学习显示了推进精准农业和类疾病管理的巨大潜力.
