EBS-YOLO:边缘优化的双向空间特征增强,用于在田间检测小麦Fusarium头疫情
Rui Mao1,2, Hongli Yuan3, Feilong Li3
1College of Information Engineering, Northwest A&F University, Yangling, 712100, Shaanxi, China. maorui@nwafu.edu.cn.
Plant methods
|October 23, 2025
概括
一个新的AI模型,EBS-YOLO,可以准确地检测小麦田中的Fusarium头部病 (FHB). 这项技术有助于精确的疾病管理,提高作物安全性和产量.
科学领域:
- 农业科学 农业科学
- 植物病理学 植物病理学
- 计算机视觉 计算机视觉
背景情况:
- 虫头炎 (FHB) 对小麦产量和安全构成重大威胁.
- 精确的FHB检测对于有效的疾病管理至关重要,但由于复杂的现场条件而具有挑战性.
- 现有的方法与模糊的病患区域作斗争,影响流行病水平评估.
研究的目的:
- 开发一种新的深度学习模型,以在小麦树冠层面快速准确地检测FHB流行病水平.
- 增强模型处理复杂环境,遮和疾病检测尺度变化的能力.
- 创建一个适合实时现场应用的轻量级高效模型.
主要方法:
- 拟议的EBS-YOLO (边缘优化双向空间特征增强YOLO网络).
- 集成的焦点边缘选择模块 (FSM) 改进了边缘特征表示.
- 采用双空间连接特征金字塔网络 (DSCFPN) 与全球到本地空间聚合 (GLSA) 以优化特征融合.
主要成果:
- 在健康的 (mAP 86.1%) 和患病的小麦穗 (mAP 82.9%) 中,EBS-YOLO实现了高检测准确度.
- 在独立数据集中检测FHB流行病水平时,表现出强大的概括能力,平均准确率为94.7%.
- 该模型重量轻,参数为2.05M,GFLOP为7.4GFLOP,模型大小为5.0MB.
结论:
- EBS-YOLO在FHB在树冠水平的准确和高效检测方面取得了重大进展.
- 该模型的性能和轻量级设计使其适合实时现场疾病监测.
- 这项技术支持改善农业实践,用于管理FHB并确保小麦生产安全.
更多相关视频
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
10:26Author Spotlight: Integrating Biochemical Functions of β-Glucanases and Peroxidase Enzymes in Wheat-RWA Interaction
Published on: July 26, 2024
1.2K
