CaneFocus-Net:一种基于自适应受体场和多尺度融合的甘叶病检测模型
Xiang Yang1,2, Zhuo Peng1, Xiaolan Xie1,2
1College of Computer Science and Engineering, Guilin University of Technology, Guilin 541006, China.
Sensors (Basel, Switzerland)
|November 13, 2025
概括
这项研究介绍了CaneFocus-Net,这是一个高效的深度学习模型,用于早期检测甘叶病. 它显著提高了模糊病变和不同尺度的准确性,有助于稳定的糖生产.
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:
- 早期发现甘叶病对全球糖生产至关重要.
- 现有的深度学习模型在复杂的现场条件下扎,例如模糊的边缘和尺度变化.
研究的目的:
- 为了开发一种高效准确的甘病检测模型,CaneFocus-Net.
- 在复杂的农业环境中克服当前模型的局限性.
主要方法:
- 开发了CaneFocus-Net,一个单阶段检测模型.
- 包含一个轻量级的跨阶段功能融合模块 (CP) 进行高效的功能传输.
- 集成的通道空间自适应校准和多尺度聚合,以增强特征提取.
- 扩展了高分辨率的浅层功能,并使用了相应的非线性优化.
主要成果:
- CaneFocus-Net在识别模糊病变和多尺度目标方面取得了显著的改善.
- 与基线相比,精度,回忆,mAP50和mAP50-95的改进率分别为1.9%,4.6%,1.5%和1.4%.
- 保持了很高的推断速度,表明了实际应用的潜力.
结论:
- CaneFocus-Net为智能甘疾病监测提供了一个强大的解决方案.
- 该模型显示了强大的通用化能力,用于现实世界的现场应用.
- 提供可靠的技术支持,通过疾病管理来确保稳定的糖生产.
