ADAM-DETR:一种基于自适应性多尺度特征融合的智能大米病检测方法

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 病严重威胁全球粮食安全.
• 传统的疾病检测方法效率低下,需要人工专业知识.
• 现有的深度学习模型在复杂的现场条件下难以进行特征提取和多尺度适应性.

研究的目的:

• 开发一个改进的深度学习算法,以准确高效地检测大米疾病.
• 在复杂的农业环境中增强特征提取和多尺度疾病适应能力.
• 为智能农业疾病监测提供技术解决方案.

主要方法:

• 提出了ADAM-DETR,这是一个基于改进的RT-DETR的算法.
• 开发了RiDDET-5数据集,包含5个主要大米疾病类别的9,303张图像.
• 引入了三个核心模块:自适应视觉网络 (AVN) 骨干,双域增强变压器 (DDET) 和自适应多尺度特征模型 (AMFM).

主要成果:

• 在RiDDET-5数据集上,ADAM-DETR实现了94.76%的mAP@50,比基线提高了3.25%.
• 在Kamatis数据集上证明了跨领域的概括,在Kamatis数据集上达到83.32%的mAP@50,增强了2.19%.
• 通过42.8G FLOPs和14.3M参数实现了精度和效率之间的最佳平衡.

结论:

• 通过ADAM-DETR,大米病检测的准确性和效率大幅提升.
• 该算法的强大的性能和通用化能力使其适用于智能农业应用.
• 这项工作提供了一种有效的技术解决方案,用于实时监测米种植中的疾病.