YOLO-Citrus:一种轻量级且高效的模型,用于在复杂的农业环境中检测叶病

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 检测叶病对全球生产质量和产量至关重要.
• 现有的方法在阻塞,小病变,复杂的背景,高计算成本和大模型尺寸方面扎.
• 这些局限性阻碍了在农业环境中准确有效地检测物体.

研究的目的:

• 开发一种新,轻量级和高效的叶病检测模型.
• 为了提高检测精度,同时最大限度地降低计算费用和模型大小,用于实际农业用途.
• 解决现有方法在处理闭塞,小病变和复杂背景方面的局限性.

主要方法:

• 介绍YOLO-Citrus模型,一个基于YOLOv11的轻量级架构.
• 整合了三个关键的创新:C3K2-STA模块与星三重注意力,ADown模块用于下采样,和Wise-Inner-MPDIoU损失功能.
• 优化侧重于增强瓶性能,高效降低样本,并改进了界限框回归.

主要成果:

• YOLO-Citrus实现了96.6%的mAP@0.5 (1.4%比基线改善) 和81.6%的mAP@0.5:0.95 (1.3%改善).
• 模型大小减少了25.0% (从19.2 MB减少到14.4 MB).
• 计算成本下降了20.2% (从21.3 GFlops降至17.0 GFlops),显示出显著的效率提升.

结论:

• YOLO-Citrus为检测叶病提供了一个高度准确和高效的解决方案.
• 该模型的缩小尺寸和计算要求使其适合于现实世界的果园部署.
• 在果园条件下验证的有效性用于早期疾病检测,精确治疗和产量保护.