Detección de la enfermedad de Huanglongbing en cítricos en condiciones naturales utilizando un marco mejorado de YOLO11
Autores: Cao, Liang; Xiao, Wei; Hu, Zeng; Li, Xiangli; Wu, Zhongzhen
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Detección de la enfermedad de Huanglongbing en cítricos en condiciones naturales utilizando un marco mejorado de YOLO11
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Cítricos
Huanglongbing
Detección
Marco
Conjunto de datos
Lesiones
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 20
Citaciones: Sin citaciones
El Huanglongbing de los cítricos (HLB) es una de las enfermedades más devastadoras en la industria global de los cítricos, pero su detección temprana bajo condiciones de campo complejas sigue siendo un desafío importante. Los métodos existentes a menudo sufren de una diversidad insuficiente en el conjunto de datos y de una mala generalización, y tienen dificultades para detectar con precisión lesiones sutiles en etapas tempranas y múltiples síntomas de HLB en fondos naturales. Para abordar estos problemas, proponemos un marco mejorado basado en YOLO11, DCH-YOLO11. Construimos un conjunto de datos de hojas de HLB multi-síntoma (MS-HLBD) que contiene 9219 imágenes anotadas en cinco clases: Saludable (1862), HLB moteado manchado (2040), Deficiencia de zinc de HLB (1988), Amarilleo de HLB (1768) y Cáncer (1561), recolectadas bajo diversas condiciones de campo. Para mejorar el rendimiento de detección, el marco DCH-YOLO11 incorpora tres módulos novedosos: el módulo de Fusión Dinámica de Características C3k2 (C3k2_DFF), que mejora la detección de lesiones tempranas y sutiles a través de la fusión dinámica de características; el módulo de Atención de Anclaje de Contexto C2PSA (C2PSA_CAA), que aprovecha la atención de anclaje de contexto para fortalecer la extracción de características en regiones de venas complejas; y el módulo de Red de Pirámide de Características Dinámicas de Alta Eficiencia (HDFPN), que optimiza la interacción de características a múltiples escalas para aumentar la precisión de detección en diferentes tamaños de objetos. En el conjunto de datos MS-HLBD, DCH-YOLO11 logró una precisión del 91.6%, una recuperación del 87.1%, una puntuación F1 de 89.3 y un mAP50 del 93.1%, superando a Faster R-CNN, SSD, RT-DETR, YOLOv7-tiny, YOLOv8n, YOLOv9-tiny, YOLOv10n, YOLO11n y YOLOv12n en un 13.6%, 8.8%, 5.3%, 3.2%, 2.0%, 1.6%, 2.6%, 1.8% y 1.6% en mAP50, respectivamente. En un conjunto de datos de HLB de cítricos disponible públicamente, DCH-YOLO11 logró una precisión del 82.7%, una recuperación del 81.8%, una puntuación F1 de 82.2 y un mAP50 del 89.4%, con mejoras de mAP50 del 8.9%, 4.0%, 3.8%, 3.2%, 4.7%, 3.2% y 3.4% sobre RT-DETR, YOLOv7-tiny, YOLOv8n, YOLOv9-tiny, YOLOv10n, YOLO11n y YOLOv12n, respectivamente. Estos resultados demuestran que DCH-YOLO11 logra tanto una precisión de vanguardia como una excelente generalización, destacando su fuerte potencial para la detección robusta y práctica de HLB de cítricos en aplicaciones del mundo real.
Descripción
El Huanglongbing de los cítricos (HLB) es una de las enfermedades más devastadoras en la industria global de los cítricos, pero su detección temprana bajo condiciones de campo complejas sigue siendo un desafío importante. Los métodos existentes a menudo sufren de una diversidad insuficiente en el conjunto de datos y de una mala generalización, y tienen dificultades para detectar con precisión lesiones sutiles en etapas tempranas y múltiples síntomas de HLB en fondos naturales. Para abordar estos problemas, proponemos un marco mejorado basado en YOLO11, DCH-YOLO11. Construimos un conjunto de datos de hojas de HLB multi-síntoma (MS-HLBD) que contiene 9219 imágenes anotadas en cinco clases: Saludable (1862), HLB moteado manchado (2040), Deficiencia de zinc de HLB (1988), Amarilleo de HLB (1768) y Cáncer (1561), recolectadas bajo diversas condiciones de campo. Para mejorar el rendimiento de detección, el marco DCH-YOLO11 incorpora tres módulos novedosos: el módulo de Fusión Dinámica de Características C3k2 (C3k2_DFF), que mejora la detección de lesiones tempranas y sutiles a través de la fusión dinámica de características; el módulo de Atención de Anclaje de Contexto C2PSA (C2PSA_CAA), que aprovecha la atención de anclaje de contexto para fortalecer la extracción de características en regiones de venas complejas; y el módulo de Red de Pirámide de Características Dinámicas de Alta Eficiencia (HDFPN), que optimiza la interacción de características a múltiples escalas para aumentar la precisión de detección en diferentes tamaños de objetos. En el conjunto de datos MS-HLBD, DCH-YOLO11 logró una precisión del 91.6%, una recuperación del 87.1%, una puntuación F1 de 89.3 y un mAP50 del 93.1%, superando a Faster R-CNN, SSD, RT-DETR, YOLOv7-tiny, YOLOv8n, YOLOv9-tiny, YOLOv10n, YOLO11n y YOLOv12n en un 13.6%, 8.8%, 5.3%, 3.2%, 2.0%, 1.6%, 2.6%, 1.8% y 1.6% en mAP50, respectivamente. En un conjunto de datos de HLB de cítricos disponible públicamente, DCH-YOLO11 logró una precisión del 82.7%, una recuperación del 81.8%, una puntuación F1 de 82.2 y un mAP50 del 89.4%, con mejoras de mAP50 del 8.9%, 4.0%, 3.8%, 3.2%, 4.7%, 3.2% y 3.4% sobre RT-DETR, YOLOv7-tiny, YOLOv8n, YOLOv9-tiny, YOLOv10n, YOLO11n y YOLOv12n, respectivamente. Estos resultados demuestran que DCH-YOLO11 logra tanto una precisión de vanguardia como una excelente generalización, destacando su fuerte potencial para la detección robusta y práctica de HLB de cítricos en aplicaciones del mundo real.