一种新的高效的茄子疾病检测方法,具有多尺度学习和边缘功能增强
Hao Sun1,2, Rui Fu1, Dae-Ki Kang2
1Shandong Facility Horticulture Bioengineering Research Center, Weifang University of Science and Technology, Weifang, China.
Frontiers in plant science
|October 6, 2025
概括
一个新的茄子疾病检测网络使用多尺度学习增强了边缘功能,提高了智能农业的准确性. 这种先进的模型在复杂的背景下实现了高性能,为作物疾病识别提供了有效的解决方案.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉 计算机视觉
- 植物病理学 植物病理学
背景情况:
- 精确的作物疾病检测对于智能农业至关重要.
- 挑战包括各种疾病尺度,模糊的边缘特征和复杂的背景.
- 现有的方法难以应对这些复杂性,影响检测效率.
研究的目的:
- 开发一个先进的茄子疾病检测网络.
- 增强边缘特征提取和多尺度学习能力.
- 提高检测准确度,特别是在具有挑战性的农业环境中.
主要方法:
- 提出了用于疾病检测的"脊柱-子-头"架构.
- 引入了多尺度边缘信息增强 (CSP-MSEIE) 模块,用于规模特定的特征提取.
- 集成的多源交互模块 (MSIM) 和动态互插交互模块 (DIIM) 为增强的多尺度表示和复杂的背景处理.
- 开发了多尺度上下文重建金字塔网络 (MCRPN),用于空间特征重建和上下文提取.
主要成果:
- 拟议的模型实现了对茄子疾病数据集的显著改进.
- 与基线方法相比,mAP50增加了4.7%,mAP50-95增加了7.2%.
- 该模型表现出高效率,每秒 (FPS) 为270.5.5.
结论:
- 开发的网络有效地解决了对茄子疾病检测的挑战.
- 边缘功能增强和多尺度学习是提高准确性的关键.
- 这为智能农业应用提供了强大而高效的解决方案.
