DFSNet:针对茄子害虫和疾病检测的定向特征聚合和形状意识监督

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:

• 在自然环境中检测茄子果上的害虫和疾病是具有挑战性的,因为小的病变大小,弱边缘,尺度变化和复杂的背景.
• 具体问题包括水果钻孔,腐烂病变和刺虫咬伤痕迹,它们的尺寸,边缘结构和空间分布不同,妨碍了准确的实时检测.

研究的目的:

• 提出DFSNet,一个轻量级,改进的深度学习网络,用于在自然场景中准确和实时检测茄子果上的害虫和疾病.
• 为了提高在复杂的背景条件下检测小,复杂的害虫和疾病特征,如钻孔和咬伤痕迹.

主要方法:

• 在浅层特征提取中引入PConv,以改善细粒度定向纹理和弱边缘的建模.
• 设计并嵌入了多尺度定向聚合 (MSDA) 模块与定向边缘增强器 (DEE) 来增强边缘和轮的感知.
• 整合了一个CSP-MSLA结构,具有多尺度线性注意力和跨阶段的部分连接,用于选择性区域增强和减少计算复杂性.
• 开发了一种基于形状的动态检测头 (SDDH),具有基于尺度的动态损失,以适应不同的害虫/疾病特征和尺度.

主要成果:

• 在一个定制的茄子害虫和疾病数据集上,DFSNet实现了81.0%的精度,78.3%的回忆和80.5%的mAP@50.
• 与基线模型相比显示了显著的改进:精度+6.9%,回忆+8.8%,和+7.8% mAP@50.
• 实现了一个轻量级模型,参数为1.8M,计算成本为5.4G,推断速度高达378.13 FPS.

结论:

• 拟议的DFSNet有效地提高了复杂背景中的小目标检测准确性和稳定性,同时保持实时性能.
• 在检测小目标方面,DFSNet显示出显著的优势,例如果树钻孔和西瓜咬痕等.
• 该模型是一种高效,强大的实时检测解决方案,用于在自然种植环境中检测茄子果害虫和疾病.