研究一种基于轻量级CR-YOLO模型识别中国叶害虫和疾病的方法

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 植物病理学 植物病理学

背景情况:

• 在中国叶上精确检测害虫和疾病对园艺至关重要.
• 现有的方法面临诸如复杂的背景,可变的照明和高计算成本等挑战,限制了现实世界的应用.
• 传统的模型需要大量的资源,阻碍了园艺环境中的实际使用.

研究的目的:

• 开发一种针对中国叶病虫害的增强轻量级检测框架.
• 为了提高检测准确度和减少实际园艺应用的计算复杂性.
• 通过自动检测,实现实时监控和推进精准农业.

主要方法:

• 推出了CR-YOLO,这是一款基于YOLOv7-tiny.ly的轻量化框架.
• 用分布式偏移卷曲取代标准卷曲以减少复杂性.
• 集成的SimAM (无参数的注意力) 为增强的特征歧视.
• 利用焦点-EIOU损失来加速模型的融合.

主要成果:

• CR-YOLO实现了高性能指标:95.1%的精度,94.5%的回忆,97.6%的mAP0.5和93.7%的mAP0.5-0.95.
• 与YOLOv7-tiny.相比,关键指标明显提高了11.8-26.7个百分点.
• 它的表现优于其他流行的模型,比mAP0.5.5.高6.9至11.4个百分点.
• 减少了3.8-31.5%的计算开销.

结论:

• CR-YOLO提供了卓越的性能和适合资源有限平台的轻量级架构.
• 能够有效,自动检测害虫和疾病,用于实践园艺中的实时监测.
• 通过为早期的害虫和疾病识别提供实用解决方案,推进精准农业.