SCFM-DETR:一种基于变压器的增强方法,用于在田间环境中自动检测玉米疾病
Sasa Tian1, Zhiqing Tao1, Ke Li1
1School of Information and Artificial Intelligence, Anhui Agricultural University, Hefei, 230036, Anhui, China.
Plant methods
|February 15, 2026
概括
一个新的AI模型,SCFM-DETR,在具有挑战性的田间条件下准确识别玉米疾病. 这种轻量级模型提高了智能农业应用的检测精度和效率.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 玉米疾病显著降低了作物产量.
- 在复杂的现场条件下,由于可变的照明和天气,难以准确识别疾病.
- 现有的方法在与类似的疾病症状和背景噪音作斗争.
研究的目的:
- 为复杂的环境开发一个强大而高效的玉米疾病检测模型.
- 提高玉米疾病识别的准确性和减少计算负载.
- 为了促进智能作物监测和推进智能农业.
主要方法:
- 提出了一个新的检测模型,SCFM-DETR,基于改进的实时检测变压器 (RT-DETR).
- 采用SimAM-StarNet作为特征提取的骨干,优化多尺度特征融合和减少背景噪音.
- 集成了一个新设计的CGLU-FasterBlock-MANet (CFM) 模块,用于增强自适应功能融合.
主要成果:
- 在玉米疾病数据集上,SCFM-DETR实现了96.7%的平均精度和95.8%的回忆.
- 在精度方面超过了基线RT-DETR-R18模型的3.1%,在回忆方面超过了6.0%.
- 模型参数减少了47%,计算负载减少了49%,证明了轻量级的设计.
结论:
- SCFM-DETR为玉米疾病检测提供了一个高精度,轻量级的框架.
- 该模型适合在资源有限的农业环境中部署.
- 这一进步支持智能农作物疾病监测和智能农业倡议.


