在非静止的气候条件下检测番茄病的检测技术
Zhenzhen Wu1, Jiao Han1, Shiyu Wang1
1Shandong Facility Horticulture Bioengineering Research Center, Weifang University of Science and Technology, Weifang, Shandong, China.
Frontiers in plant science
|December 22, 2025
概括
这项研究介绍了CTTA-DisDet,这是一种用于检测番茄病的新型框架,可以在测试过程中适应不断变化的环境. 它在现实世界,非静止的农业环境中显著提高了模型性能.
科学领域:
- 植物病理学 植物病理学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 番茄病对作物产量构成重大威胁,需要准确及时检测.
- 像YOLO这样的深度学习模型在应用于新环境时,与域移动作斗争,导致性能下降.
- 现有的方法往往无法应对现实世界农业数据的不断变化的性质.
研究的目的:
- 开发一个持续的测试时间域适应框架 (CTTA-DisDet) 进行强大的番茄病检测.
- 提高预训练模型在未见和不断变化的环境中的概括能力.
- 提高农业中自动化疾病检测系统的实用性.
主要方法:
- 拟议的CTTA-DisDet框架使用教师-学生架构进行域调整.
- 引入了动态数据增强,包括显式图像损坏和使用大语言模型 (LLM) 隐式数据生成.
- 实施神经元重量恢复以减轻灾难性遗忘和指数移动平均值 (EMA) 持续更新教师模型.
主要成果:
- 在不断变化的跨领域环境中,CTTA-DisDet实现了67.9%的性能.
- 与基线方法相比,在未见的领域中显著改善了概括.
- 验证了动态增强和神经元恢复技术的有效性.
结论:
- 在非静止农业环境中,CTTA-DisDet为番茄病检测提供了强大的解决方案.
- 该框架有效地适应领域的转变,提高模型可靠性.
- 这种方法对实际的,现实世界的农业应用具有显著的前景,需要适应性AI系统.


