Yolo-bsmamba: un modelo basado en yolo v8s para la detección de enfermedades en hojas de tomate en fondos complejos
Autores: Liu, Zongfang; Guo, Xiangyun; Zhao, Tian; Liang, Shuang
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Yolo-bsmamba: un modelo basado en yolo v8s para la detección de enfermedades en hojas de tomate en fondos complejos
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Enfermedades
Hojas de tomate
YOLO-BSMamba
Módulo híbrido convolucional Mamba
Representación de características
Mecanismo de atención basado en similitud
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 36
Citaciones: Sin citaciones
La identificación precisa de enfermedades en hojas de tomate es de gran importancia para la aplicación precisa de pesticidas en un escenario de fondo complejo. Los modelos existentes a menudo tienen dificultades para capturar dependencias a larga distancia y características detalladas en imágenes, lo que conduce a un reconocimiento deficiente donde hay fondos complejos. Para abordar este desafío, este estudio propuso el uso del modo de detección YOLO-BSMamba. Propusimos que un módulo Híbrido de Mamba Convolucional (HCMamba) se integre dentro de la red del cuello, con el objetivo de mejorar la representación de características aprovechando las capacidades de captura de dependencias contextuales globales del Modelo de Espacio Estatal (SSM) y discerniendo las capacidades de características espaciales localizadas de la convolución. Además, introdujimos el Mecanismo de Atención Basado en Similitud en el módulo C2f para mejorar las capacidades de extracción de características del modelo al centrarse en áreas de hojas indicativas de enfermedades y reducir el ruido de fondo. Se utilizó la red piramidal de características bidireccionales ponderadas (BiFPN) para reemplazar el componente de fusión de características de la red, mejorando así el rendimiento de detección del modelo para lesiones que muestran graduaciones sintomáticas heterogéneas y permitiendo que el modelo integre de manera efectiva características de diferentes escalas. Los resultados de la investigación mostraron que el YOLO-BSMamba logró una puntuación de F1, mAP@0.5 y mAP@0.5:0.95 del 81.9%, 86.7% y 72.0%, respectivamente, lo que representa una mejora del 3.0%, 4.8% y 4.3%, respectivamente, en comparación con YOLOv8s. En comparación con otros modelos de la serie YOLO, logra el mejor mAP@0.5 y puntuación de F1. Este estudio proporciona un método sólido y confiable para el reconocimiento de enfermedades en hojas de tomate, lo que se espera que mejore la eficiencia de los pesticidas objetivo y, además, mejore el monitoreo y la gestión de cultivos en la agricultura de precisión.
Descripción
La identificación precisa de enfermedades en hojas de tomate es de gran importancia para la aplicación precisa de pesticidas en un escenario de fondo complejo. Los modelos existentes a menudo tienen dificultades para capturar dependencias a larga distancia y características detalladas en imágenes, lo que conduce a un reconocimiento deficiente donde hay fondos complejos. Para abordar este desafío, este estudio propuso el uso del modo de detección YOLO-BSMamba. Propusimos que un módulo Híbrido de Mamba Convolucional (HCMamba) se integre dentro de la red del cuello, con el objetivo de mejorar la representación de características aprovechando las capacidades de captura de dependencias contextuales globales del Modelo de Espacio Estatal (SSM) y discerniendo las capacidades de características espaciales localizadas de la convolución. Además, introdujimos el Mecanismo de Atención Basado en Similitud en el módulo C2f para mejorar las capacidades de extracción de características del modelo al centrarse en áreas de hojas indicativas de enfermedades y reducir el ruido de fondo. Se utilizó la red piramidal de características bidireccionales ponderadas (BiFPN) para reemplazar el componente de fusión de características de la red, mejorando así el rendimiento de detección del modelo para lesiones que muestran graduaciones sintomáticas heterogéneas y permitiendo que el modelo integre de manera efectiva características de diferentes escalas. Los resultados de la investigación mostraron que el YOLO-BSMamba logró una puntuación de F1, mAP@0.5 y mAP@0.5:0.95 del 81.9%, 86.7% y 72.0%, respectivamente, lo que representa una mejora del 3.0%, 4.8% y 4.3%, respectivamente, en comparación con YOLOv8s. En comparación con otros modelos de la serie YOLO, logra el mejor mAP@0.5 y puntuación de F1. Este estudio proporciona un método sólido y confiable para el reconocimiento de enfermedades en hojas de tomate, lo que se espera que mejore la eficiencia de los pesticidas objetivo y, además, mejore el monitoreo y la gestión de cultivos en la agricultura de precisión.