一个基于深度学习的增强框架,用于诊断果叶病
Chhaya Gupta1,2, Nasib Singh Gill1, Preeti Gulia3
1Department of Computer Science and Applications, Maharshi Dayanand University, Rohtak, India.
Scientific reports
|November 12, 2025
概括
这项研究介绍了E-YOLOv8,这是一个高效的深度学习模型,用于实时检测果叶病. 它实现了高精度,显著降低了计算成本,帮助可持续农业.
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:
- 准确识别果叶病对作物生产和农业可持续性至关重要.
- 现有的方法可能缺乏效率或需要大量的计算资源来实现实时应用.
研究的目的:
- 推出E-YOLOv8,YOLOv8的轻量化和改进版本,用于实时检测果叶病.
- 为了提高检测准确度,特别是对于小病变,同时最大限度地降低计算成本.
主要方法:
- 通过集成GhostConv和C3融合来开发E-YOLOv8,以实现高效的特征提取.
- 集成的CBAM注意力和定制的FPN用于改进多尺度特征融合.
- 对果叶病数据集进行了大规模评估,并在边缘设备上进行了测试.
主要成果:
- E-YOLOv8只用5.3个GFLOP和180万个参数实现了93.9mAP0.5的效果.
- 与YOLOv8l相比,计算成本减少了33.9倍.
- 在实验中表现优于近期最先进的探测器.
结论:
- E-YOLOv8为检测果叶病提供了一个高度准确和计算高效的解决方案.
- 该模型适用于实际农业环境中在资源有限的边缘设备上实时实现.


