一个深度学习的移动应用程序,用于用YOLOv8和增强增强的番茄叶营养不足的识别

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 农作物营养不足会导致大量的产量损失,需要早期和准确的检测以进行有效的管理.
• 传统的缺陷识别方法是劳动密集型,耗时,容易出现不准确.
• 精准农业需要先进的实时作物健康监测工具.

研究的目的:

• 开发和评估一种基于深度学习 (DL) 的方法,用于检测番茄叶的营养缺陷.
• 利用YOLOv8对象检测模型和层次增强方案来提高检测准确度.
• 为准确农业提供实用的实时应用解决方案.

主要方法:

• 利用YOLOv8物体检测模型识别和定位番茄叶中的营养缺陷.
• 实施了分层增强方案,以提高数据集捕捉微妙缺陷症状的能力.
• 使用包括mAP50,mAP50-95,精度,回忆和F1分数在内的指标评估了模型的性能.

主要成果:

• DL模型实现了92.7%的高mAP@0.50和89.1%的mAP@0.50-0.95.
• 该模型表现出极好的性能,精度为89.1%,回忆率为83.1%,F1得分为89.5%.
• 拟议的框架在关键绩效指标上显著超过了以前的模型.

结论:

• 使用YOLOv8和数据增强的DL方法为检测番茄植物的营养缺陷提供了一种卓越的方法.
• 这项技术使得及时和有针对性的干预措施成为可能,这对于改善作物健康和提高精准农业生产率至关重要.
• 附带的Android应用程序有助于实时部署缺陷检测系统.