logo móvil
Contáctanos

YOLOv5s-BiPCNeXt, un modelo ligero para detectar enfermedades en las hojas de berenjena

Autores: Xie, Zhedong; Li, Chao; Yang, Zhuang; Zhang, Zhen; Jiang, Jiazhuo; Guo, Hongyu

Idioma: Inglés

Editor: MDPI

Año: 2024

Descargar PDF

Acceso abierto

Artículo científico
2024

YOLOv5s-BiPCNeXt, un modelo ligero para detectar enfermedades en las hojas de berenjena


Categoría

Ciencias Agrícolas y Biológicas

Subcategoría

Botánica

Palabras clave

Método de detección eficiente
Detección de enfermedades
Modelo YOLOv5s-BiPCNeXt
Enfermedades de las plantas
Escenas naturales
Enfermedades de las hojas de berenjena

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 9

Citaciones: Sin citaciones


Descripción
Asegurar el crecimiento saludable de las berenjenas requiere la detección precisa de enfermedades foliares, lo que puede aumentar significativamente el rendimiento y los ingresos económicos. Mejorar la eficiencia de la identificación de enfermedades de las plantas en escenas naturales es actualmente un tema crucial. Este estudio tiene como objetivo proporcionar un método de detección eficiente adecuado para la detección de enfermedades en escenas naturales. Se propone un modelo de detección ligero, YOLOv5s-BiPCNeXt. Este modelo utiliza la estructura base MobileNeXt para reducir los parámetros de la red y la complejidad computacional e incluye un módulo de cuello C3-BiPC ligero. Además, se integra un mecanismo de atención cruzada multiescalar (EMA) en la red del cuello, y el algoritmo de interpolación de vecino más cercano se reemplaza con el operador de recombinación de características consciente del contenido (CARAFE), mejorando la capacidad del modelo para percibir información multidimensional y extraer características de enfermedades multiescala y mejorando la resolución espacial del mapa de características de la enfermedad. Estas mejoras aumentan la precisión de detección para las hojas de berenjena, reduciendo efectivamente las detecciones perdidas e incorrectas causadas por fondos complejos y mejorando la detección y localización de pequeñas lesiones en las etapas tempranas de las enfermedades de manchas marrones y oídio. Los resultados experimentales muestran que el modelo YOLOv5s-BiPCNeXt logra una precisión promedio (AP) del 94.9% para la enfermedad de manchas marrones, 95.0% para oídio y 99.5% para hojas sanas. Desplegado en un dispositivo de detección de borde Jetson Orin Nano, el modelo alcanza una velocidad de reconocimiento promedio de 26 FPS (Frames Por Segundo), cumpliendo con los requisitos en tiempo real. En comparación con otros algoritmos, YOLOv5s-BiPCNeXt demuestra un rendimiento general superior, detectando con precisión enfermedades de las plantas en condiciones naturales y ofreciendo un valioso apoyo técnico para la prevención y tratamiento de enfermedades foliares de la berenjena.

Otros recursos que podrían interesarte

Temas Virtualpro