YOLO-PLNet:基于边缘部署的花生叶病轻量级实时检测模型

科学领域:

• 农业技术 农业技术
• 计算机视觉 计算机视觉 计算机视觉
• 深度学习是一种深度学习.

背景情况:

• 花生叶病对作物产量和质量产生重大影响.
• 早期和准确的疾病检测对于有效的管理至关重要.
• 现有的轻量级深度学习模型在农业应用中平衡尺寸,准确性和边缘部署方面面临挑战.

研究的目的:

• 提出YOLO-PLNet,一个新的轻量级实时检测模型,用于边缘部署.
• 提高在复杂的农业环境中检测花生叶病的准确性和效率.
• 增强深度学习模型的适应性,以在边缘设备上进行大规模农业监测.

主要方法:

• 开发了基于YOLO11n的YOLO-PLNet,具有轻量级的骨干和部结构.
• 整合了轻量级注意力增强 (LAE) 卷积模块和通道空间注意力机制 (CBAM) 以改善特征表示.
• 利用一个非对称特征金字塔网络 (AFPN),以分阶段的跨层融合进行多层次检测.

主要成果:

• 与基线相比,YOLO-PLNet实现了参数数量 (18.07%),计算复杂性 (16.92%) 和模型大小 (15.70%) 的显著降低.
• 该模型实现了高检测精度,mAP@0.5为98.1%,mAP@0.5:0.95为94.7%.
• 在Jetson Orin NX平台上,YOLO-PLNet展示了实时检测速度 (在INT8精度下高达41.3 FPS),降低了延迟,GPU使用和功耗.

结论:

• 在边缘设备上,YOLO-PLNet提供了一个高度准确和高效的解决方案,用于实时检测边缘设备上的花生叶病.
• 该模型的轻量级设计和增强的特征表示提高了复杂农业场景的适应性.
• 这为智能大规模监测花生作物的健康提供了可行的方法.