增强的YOLOv8具有轻量级和高效的检测头用于检测大米叶病

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:

• 准确检测叶病对农业稳定至关重要.
• 像YOLO这样的现有物体检测模型在复杂的环境和计算需求中面临局限性.
• 挑战包括疾病多样性,分布不均和复杂的现场条件.

研究的目的:

• 开发一个优化的物体检测模型,用于精确的,多尺度的叶疾病检测.
• 在特征提取和计算效率方面解决当前YOLO算法的局限性.
• 加强在资源有限的农业设备上部署疾病检测系统.

主要方法:

• 介绍了G-YOLO,这是一个新的架构,集成了轻量级和高效的检测头 (LEDH) 和多尺度空间金字塔聚合快速 (MSPPF).
• LEDH简化了网络结构,以减少计算负载,同时保持准确性.
• MSPPF融合了多层次的特征地图,以改善跨尺度捕获疾病细节.

主要成果:

• 与YOLOv8n.n.相比,G-YOLO在病数据集上表现出优异的性能.
• 实现了4.4%更高的mAP@0.5和3.9%更高的mAP@0.75.
• 每秒 (FPS) 增加了13.1%,这表明处理速度有所提高.

结论:

• G-YOLO在自动检测大米叶疾病方面取得了重大进展.
• 该模型的效率和准确性使其适用于资源有限的环境.
• 这项研究有助于通过先进的人工智能改善作物健康管理.