YOLO-APLD:一种轻量级的果叶病检测模型,基于多级特征融合模型

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:

• 准确的果叶病识别对于有效的农药应用至关重要.
• 传统的深度学习模型面临着大型模型大小和不同疾病规模的挑战.

研究的目的:

• 开发一种轻量级且准确的算法,用于检测果叶病.
• 改进现有的深度学习模型,用于实时监测果园中的疾病.

主要方法:

• 推出了YOLO-APLD,这是一个增强的YOLOv8n模型,包含了EP-C2f模块用于特征表示.
• 利用焦点-SIoU损失来改进界限框回归和分类,特别是对于具有挑战性的样本.
• 实施了双向特征金字塔网络 (BiFPN) 和细结构,以实现高效的多尺度特征融合和降低模型复杂性.

主要成果:

• YOLO-APLD实现了88.5%的精度,84.3%的召回,88.5%的mAP和86.4%的F1得分.
• 与YOLOv8n.n.相比,FLOP (22.2%),参数 (23.3%) 和模型大小 (17.5%) 的显著减少.
• 在边缘设备上实现了90.3 f/s的高检测率,证实了实时功能.
• 在葡萄和番茄数据集上展示了概括性.

结论:

• YOLO-APLD为检测果叶病提供了一种实用且高效的解决方案.
• 该模型为精准农业和现场疾病监测提供了宝贵的技术支持.
• 增强的检测性能和降低的计算成本使其适用于现实世界果园应用.