在复杂的农业环境中对番茄病的跨度检测和跨作物泛化验证

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:

• 在复杂的农业环境中检测西红叶病面临诸如叶子封闭,不同损伤大小和光干扰等挑战.
• 现有的模型在不同的现场条件下与准确性和概括性作斗争.

研究的目的:

• 为复杂的农业场景开发一种轻量级且准确的番茄叶病检测模型 (ToMASD).
• 增强模型在不同作物和条件上通用的能力.
• 为了实现边缘部署实时农业疾病监测.

主要方法:

• 开发了ToMASD,一种轻量级的检测模型,集成了多尺度特征脱和自适应对齐.
• 整合了一个双分支自适应对齐模块 (TAAM) 进行跨尺度的语义对齐.
• 使用本地上下文感知封闭单元 (Faster-GLUDet) 以空间注意力来减少噪音.
• 采用多尺度脱检测头 (MDH) 来更好地检测小型和扩散的病变.
• 实施转移学习与域调整和对抗特征解,用于跨作物概括.

主要成果:

• 在不同的天气条件下,ToMASD在六种番茄病的数据集上获得了84.3%的平均精度,超过了13种主流模型.
• 该模型的压缩计算负载为7.1 GFLOPs.
• 通过转移学习,在目标作物 (普通豆,马) 上获得了92.7%的平均精度.
• 控制错误检测率在雾下为6.3%,在强光条件下为9.8%.

结论:

• 在复杂的环境中,ToMASD在高精度检测和轻量级模型的跨作物概括方面提供了双重突破.
• 该模型为可在边缘部署的通用农业疾病监测系统提供了一个新的范式.
• 这项研究解决了当前农业疾病检测系统的关键局限性,为更强大和多功能解决方案铺平了道路.