基于增强的YOLOv8-Unet3Plus网络的土豆晚期虫害严重程度的轻量级分级方法
Peisen Yuan1, Lushuo Jiang1, Zhanghao Cheng1
1College of Artificial Intelligence, Nanjing Agricultural University, Nanjing, China.
Frontiers in plant science
|September 18, 2025
概括
这项研究引入了一种人工智能模型,用于对土豆晚期虫害的严重程度进行分级,比传统方法提高了准确性和效率. 增强的YOLOv8-UNet3Plus网络提供精确的叶片定位和感染细分,降低了计算成本.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 植物病理学 植物病理学
背景情况:
- 传统的土豆晚期病严重程度分级依赖于主观,耗时的手动测量.
- 现有的方法缺乏广泛部署所需的准确性和成本效益.
- 客观和高效的分类对于疾病管理和作物产量优化至关重要.
研究的目的:
- 开发一种轻量级,人工智能驱动的模型,用于客观,准确的土豆晚期虫害严重程度分级.
- 加强YOLOv8和UNet3Plus网络,以提高疾病检测和细分的性能.
- 为了减少计算成本和参数数量,以实现实际,经济高效的应用.
主要方法:
- 一个增强的YOLOv8网络与空间和通道重建卷积,双向特征金字塔网络和强大的IoU损失集成.
- 一个优化的UNet3Plus网络使用幽灵卷积和多尺度本地响应注意.
- 培训和验证现实世界土豆晚期虫病数据集,用于性能评估.
主要成果:
- 实现了95.73%的叶子定位精度.
- 在受感染地区细分方面获得了82.65%的欧盟 (IoU) 平均交叉点.
- 与基线模型相比,证明了降低参数和计算成本.
结论:
- 拟议的基于AI4Science的YOLOv8-UNet3Plus模型为土豆晚期虫害严重程度分级提供了有效的解决方案.
- 该模型提供客观,准确和计算高效的疾病评估.
- 这种方法有助于改善农业疾病管理策略.
