深度学习方法用于在复杂环境中检测黄瓜疾病,以实现新的农业生产力
Jun Liu1, Xuewei Wang2, Qian Chen3
1Shandong Engineering Research Center of Green and High-value Marine Fine Chemical, Weifang University of Science and Technology, Weifang, Shandong, China. liu_jun860116@wfust.edu.cn.
BMC plant biology
|July 7, 2025
概括
这项研究介绍了YOLO-Cucumber,这是检测黄瓜疾病的高效算法. 它提高了农业应用的准确性和速度,克服了复杂的环境挑战.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉 计算机视觉
- 植物病理学 植物病理学
背景情况:
- 由于尺度的变化,背景杂乱和硬件限制,发现黄瓜疾病具有挑战性.
- 准确和有效的疾病鉴定对于作物管理和产量优化至关重要.
研究的目的:
- 开发一种改进的,轻量级的算法来检测黄瓜疾病.
- 提高农业应用疾病检测模型的准确性,速度和紧性.
主要方法:
- 该研究提出了YOLO-Cucumber,这是一个基于YOLOv11n.的增强轻量级检测算法.
- 关键的创新包括可变形卷积网络 (DCN),P2预测层,目标意识损失 (TAL) 和通过批量规范化 (CPBN) 进行道修剪.
主要成果:
- 在黄瓜疾病数据集上,YOLO-黄瓜在mAP@50 (93.8%) 中取得了6.5%的改善.
- 模型大小减少了3.87 MB,推断速度增加到218 FPS.
- 该算法在处理症状变化和复杂检测场景方面表现出有效性.
结论:
- 与主流检测算法相比,YOLO-Cucumber提供了卓越的准确性,速度和紧性.
- 开发的模型非常适合嵌入式农业应用,需要高效的疾病检测.
