YOLOv10-LGDA:一种改进的算法,用于在不同背景的类果中检测缺陷
Lun Wang1,2, Rong Ye2, Youqing Chen1,2
1College of Mechanical and Electrical Engineering, Yunnan Agricultural University, Kunming 650201, China.
这项研究介绍了YOLOv10-LGDA,这是一种先进的AI模型,用于检测类植物疾病,如黑斑和. 改进的模型显著提高了识别水果缺陷的准确性,支持类水果的质量控制.
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:
- 类水果的质量受到导致表面缺陷的疾病的影响.
- 准确识别诸如黑斑,,绿化和黑色素等疾病至关重要.
研究的目的:
- 开发一种改进的物体检测方法,以准确识别类疾病.
- 提高各种类植物疾病的检测能力,包括那些有微妙的视觉线索的疾病.
主要方法:
- 使用LDConv进行特征提取,开发了一个增强的YOLOv10模型 (YOLOv10-LGDA).
- 集成的GFPN和AFPN模块用于改进多尺度特征融合和检测.
- 利用DAT机制提高效率和滑动损失功能来解决样本不平衡.
主要成果:
- YOLOv10-LGDA实现了高性能:98.7%的准确性,95.9%的回忆,97.7%的mAP@50,和94%的mAP@50:95.
- 与原来的YOLOv10模型相比显示出显著的改进 (关键指标增加4.2%-4.5%).
- 在类植物疾病识别准确度方面表现优于其他对象检测算法.
结论:
- YOLOv10-LGDA模型为类植物疾病检测提供了卓越的性能.
- 这种进步为改善类水果质量和行业可持续性提供了强大的技术支持.
更多相关视频
11:30Automating Citrus Budwood Processing for Downstream Pathogen Detection Through Instrument Engineering
Published on: April 21, 2023
09:23Specific and Accurate Detection of the Citrus Greening Pathogen Candidatus liberibacter spp. Using Conventional PCR on Citrus Leaf Tissue Samples
Published on: June 29, 2018
相关概念视频
Fruit Development, Structure, and Function
Lumber Defects
Shakes are minor fractures that run along or across the wood's annual rings, while wane is...
Difference from Background: Limit of Detection
The LOD indicates the presence or absence...
Detection of Gross Error: The Q Test
Methods of Classification and Identification
Aggregates Classification
Petrographic classification groups aggregates based on common mineralogical characteristics. Some of the common mineral groups found in aggregates are...
