基于三通道聚合注意力的有效花黄龙病检测算法的一项研究

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:

• 黄龙病 (HLB) 呈现出复杂的现场症状,挑战了传统的检测方法.
• 现有的方法效率低,识别准确度不足.
• 需要先进的算法来准确和快速识别HLB.

研究的目的:

• 开发一种有效且准确的类黄龙病 (HLB) 检测算法.
• 改进"你只看一次" (YOLO) v8架构,以增强疾病特征识别.
• 为在现场条件下提供HLB早期和准确识别的工具.

主要方法:

• 一个改进的YOLOv8算法,结合了一个新的字符来浮动 (C2f) 注意反向剩余移动块 (IRMB) 模块.
• 集成一个三通道聚合注意力模块 (Powerneck) 以实现高效的跨度特征交互.
• 优化检测头使用结构重构参数化进行加速推断.

主要成果:

• 拟议的模型在类数据集上实现了97%的mAP50和91.5%的准确性.
• 推断速度提高了14.6%,达到每秒370 (FPS).
• 增强型号在准确性和速度平衡方面超过了原来的YOLOv8和其他主流型号.

结论:

• 改进的YOLOv8算法有效地解决了传统类疾病检测的局限性.
• C2f Attention IRMB和Powerneck模块协同增强了用于HLB检测的模型性能.
• 这种算法在减少滥用农药和提高果园管理效率方面具有实际意义.