曼巴-YOLO-ML:一种基于状态空间模型的方法来检测木叶病

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:

• 由于害虫和疾病的侵袭,木种植面临着巨大的产量和质量损失.
• 传统的检测方法是低效和不可持续的,需要先进的解决方案.
• 现有的计算机视觉模型在小目标,遮蔽和自然环境中的细节方面扎.

研究的目的:

• 开发一个优化的深度学习模型,Mamba-YOLO-ML,用于准确有效地检测木害虫和疾病.
• 解决当前模型的局限性,包括低识别率,计算效率低下和适应能力差.
• 加强对结构特征的识别,如叶状静脉,以改善疾病诊断.

主要方法:

• 拟议的Mamba-YOLO-ML模型结合了阶段模块化设计 (PMSS) 与双块和Mamba Block,以增强特征表示.
• 采用哈尔波段下采样来保存关键的纹理细节和正常化的瓦瑟斯坦距离损失来检测小目标.
• 使用GradCAM进行可视化分析,以评估模型对疾病特征区域的关注.

主要成果:

• 曼巴-YOLO-ML实现了最先进的检测准确度,达到78.2%的mAP50和59.9%的mAP50:95.
• 与YOLO变种和基于变压器的模型相比,该模型表现出了更高的性能.
• 可视化证实,通过增强模型,更早,更有效地关注特定疾病的区域.

结论:

• 曼巴-YOLO-ML在基于视觉的木害虫和疾病检测方面取得了重大进展.
• 该模型的轻量级架构可以实时部署到用于精密农业的嵌入式设备上.
• 这为有效的作物管理和改善木种植提供了可持续的解决方案.