YOLO-DP:一种检测15种常见的水疾病和害虫的模型
1College of Information Science and Technology, Gansu Agricultural University, Lanzhou, 730070, China.
Scientific reports
|October 15, 2025
概括
一个新的YOLO-DP模型有效地检测到15种常见的水疾病和害虫,即使在复杂的田间条件下. 这一进步提高了水生长监测和害虫管理的准确性.
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:
- 由于常见的疾病和害虫,大米种植面临着巨大的产量和质量损失.
- 现有的检测模型与特征多样性,小目标和复杂的场条件 (如不均的照明和阴影) 扎,导致准确性低.
- 需要强大的模型,能够在具有挑战性的环境中同时识别多种水疾病和害虫.
研究的目的:
- 提出一种新的YOLO-DP模型,用于同时检测15种常见的水疾病和害虫.
- 在复杂的现场条件下提高病和害虫检测模型的准确性和适应性.
- 为提供技术解决方案,有效监测和管理米生长.
主要方法:
- 开发了一个基于YOLOv8n的YOLO-DP模型,在脊柱中结合了三重注意力机制,用于跨维特征交互.
- 将全球到本地空间聚合 (GLSA) 模块集成到Neck中,以改善特征表示.
- 利用波纹转换卷积 (WTConv) 来增强C2f-BottleNeck并扩大受体场,用增强的交叉点对联 (EIoU) 取代损失函数.
主要成果:
- 在YOLO-DP模型中,平均准确率为80.9%,回忆率为74.4%,mAP50为77.8%,mAP95为50.1%.
- 与原始YOLOv8n和其他主流模型 (如TOOD,更快的R-CNN和RT-DETR) 相比,表现出明显优越的性能.
- 该模型在复杂的环境条件下在检测水疾病和害虫方面表现出色.
结论:
- 拟议的YOLO-DP模型为在具有挑战性的农业环境中检测多种水疾病和害虫提供了强大而准确的解决方案.
- 这一进步为实时米生长监测和综合性害虫防治策略提供了宝贵的技术支持.
- 该研究提供了可用于检测其他作物类型的疾病和害虫的见解.
更多相关视频
05:44Real-Time Detection of Reactive Oxygen Species Production in Immune Response in Rice with a Chemiluminescence Assay
Published on: November 25, 2022
5.1K
07:36Visualizing Early Infection Sites of Rice Blast Disease Magnaporthe oryzae on Barley Hordeum vulgare Using a Basic Microscope and a Smartphone
Published on: March 17, 2023
2.2K
