在复杂环境中检测茄子害虫和疾病的研究基于改进的RT-DETR
Hui Sun1, Rui Fu1, Zhijun Zhang1
1Shandong Province University Laboratory for Protected Horticulture, Weifang University of Science and Technology, Weifang, Shandong, 262700, China.
BMC plant biology
|November 29, 2025
概括
一种新的茄子-DETR模型通过使用多尺度特征和频率感知来增强茄子中的害虫和疾病检测. 这种由人工智能驱动的解决方案在现实世界农业条件下提高了小型和封闭目标的准确性.
科学领域:
- 计算机视觉 计算机视觉
- 农业技术 农业技术
- 人工智能的人工智能
背景情况:
- 精确的茄子害虫和疾病检测是困难的,因为尺度变化,背景杂乱,和封闭的物体.
- 现有的方法难以应对现实农业环境的复杂性.
研究的目的:
- 开发一个改进的物体检测模型,茄子-DETR,用于精确识别茄子中的害虫和疾病.
- 增强小型,封闭和不规则形状的目标的检测能力.
主要方法:
- 拟议的茄子-DETR基于RT-DETR架构,具有协作机制.
- 集成的多级特征增强 (CPSE模块),语义融合 (AIFI) 和频率感知 (WTMANet模块).
- 利用浅层功能增强和编码器级功能改进,以改善感知.
主要成果:
- 在公共茄子害虫和疾病数据集上获得了77.8%的平均平均精度 (mAP50).
- 将模型参数减少到1577万,表明效率.
- 在检测性能方面表现优于其他11个主流比较模型.
结论:
- 茄子-DETR框架为智能农业害虫和疾病检测提供了有效的解决方案.
- 证明了频域特征表示在农业AI应用中的价值.
- 提供了有价值的技术见解,以改善在具有挑战性的现场条件下对象检测.


