基于多尺度特征融合的RT-DETR用于复杂背景中检测番茄叶病
Shaohuang Bian1, Shan Su1, Jun Zhou1
1College of Information and Electronic Engineering, China Agricultural University, Beijing 100083, China.
Sensors (Basel, Switzerland)
|December 11, 2025
概括
这项研究引入了一种改进的RT-DETR模型,用于有效检测番茄叶病. 这种新的方法实现了高精度,为农业应用提供了宝贵的见解.
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:
- 准确检测植物疾病对于作物产量和粮食安全至关重要.
- 现有的植物疾病检测方法面临复杂的背景和不平衡的数据集的挑战.
研究的目的:
- 开发一种高效准确的模型来检测番茄叶病.
- 增强特征提取和模型学习性能,以改善疾病识别.
主要方法:
- 提出了一个基于改进的RT-DETR模型的多尺度特征融合网络.
- 集成的多尺度扩展残余模块和多尺度特征金字塔网络,用于增强特征提取.
- 引入了自适应焦点损失 (AFL) 功能,以解决过度拟合和改善对不平衡数据集的学习.
主要成果:
- 在番茄病检测方面获得了97.9%的AP@0.50.
- 其他作物疾病的检测准确度高达85.4%.
- 适应性焦点损失 (AFL) 在不平衡的数据集上表现得更好.
结论:
- 与AFL共同开发的多级特征融合网络为植物疾病检测提供了强大的解决方案.
- 该模型的高精度为实际农业应用提供了宝贵的参考.
- 该方法有效地处理复杂的背景和数据集不平衡,为改进作物监测铺平了道路.
