走向智能农业:使用深度学习进行草叶病的实时诊断系统

科学领域:

• 农业机器人农业机器人
• 计算机视觉 计算机视觉
• 机器学习用于作物监测

背景情况:

• 有效的机器视觉对于各种农业环境中的机器人作物检查至关重要.
• 机器人手臂上的深度学习模型提供实时,非侵入性作物监测.
• 对于可变的现实世界农业条件的可靠模型的开发仍然存在挑战.

研究的目的:

• 在精准农业中引入先进的机器人系统,用于实时检测植物疾病.
• 通过深度学习提高疾病识别的准确性和效率.
• 为了在不同的田间条件下实现自动化,一致的作物检查.

主要方法:

• 开发了草叶病检查 (SLDI) 算法,用于实时分析.
• 集成的感受引导通道注意力 (RGCA) 和深度上下文聚合器 (DCA) 改进了特征表示.
• 采用多级特征融合模块 (MSFF) 进行全面的多级特征捕获.
• 在一个带有RGB摄像头的机器人平台上部署了SLDI算法,用于现场检查.

主要成果:

• 在公开数据集上实现了91.10%的精度和88.50%的回忆.
• 保持了每秒76.50的实时处理速度.
• 与现有方法相比,在实地试验中证明了更高的准确性和效率.

结论:

• SLDI系统为自动,实时的草疾病检测提供了有效的解决方案.
• 整合RGCA,DCA和MSFF显著提高了模型性能.
• 这种机器人系统有助于提高精准农业的生产力和可持续性.