Yolov5s-ECCW: un modelo de detección ligero para la sarna de la caña de azúcar en entornos naturales
Autores: Yu, Min; Li, Fengbing; Song, Xiupeng; Zhou, Xia; Zhang, Xiaoqiu; Wang, Zeping; Lei, Jingchao; Huang, Qiting; Zhu, Guanghu; Huang, Weihua; Huang, Hairong; Chen, Xiaohang; Yang, Yunhai; Huang, Dongmei; Li, Qiufang; Fang, Hui; Yan, Meixin
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Yolov5s-ECCW: un modelo de detección ligero para la sarna de la caña de azúcar en entornos naturales
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Carbón de la caña de azúcar
Variedades resistentes a enfermedades
Modelo ligero de detección de carbón de la caña de azúcar
EfficientNetV2
Función de pérdida WIoU
Precisión media promedio
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 25
Citaciones: Sin citaciones
La detección de carbón de la caña de azúcar es una enfermedad grave causada por el hongo, que puede resultar en una pérdida de caña del 30% al 100%. La medida más asequible y eficiente para prevenir y manejar la enfermedad del carbón de la caña de azúcar es seleccionar variedades resistentes a la enfermedad. Una evaluación exhaustiva de la resistencia a la enfermedad basada en la incidencia de la enfermedad del carbón es esencial durante el proceso de selección, lo que requiere la identificación rápida y precisa del carbón de la caña de azúcar. Los métodos tradicionales de identificación, que se basan en la observación visual de los síntomas, son lentos, costosos e ineficientes. Para abordar estas limitaciones, presentamos el modelo de detección de carbón de la caña de azúcar liviano (YOLOv5s-ECCW), que incorpora varias características innovadoras. Específicamente, se incorpora EfficientNetV2 en la red YOLOv5 para lograr la compresión del modelo manteniendo una alta precisión de detección. El mecanismo de atención de bloques convolucionales (CBAM) se agrega a la red principal para mejorar su capacidad de extracción de características y suprimir la información irrelevante. Se utiliza el módulo C3STR para reemplazar el módulo C3, mejorando la capacidad de capturar objetivos globales grandes. Se utiliza la función de pérdida WIoU en lugar de la función CIoU para mejorar la precisión de la regresión de cuadros delimitadores. Los resultados experimentales demuestran que el modelo YOLOv5s-ECCW logra una precisión media promedio (mAP) del 97.8% con solo 4.9 G FLOPs y 3.25 M parámetros. En comparación con el YOLOv5 original, nuestras mejoras incluyen un aumento del 0.2% en mAP, una reducción del 54% en parámetros y una disminución del 70.3% en los requisitos computacionales. El modelo propuesto supera a YOLOv4, SSD, YOLOv5 y YOLOv8 en términos de precisión, eficiencia y tamaño del modelo. El modelo YOLOv5s-ECCW satisface la necesidad urgente de la identificación precisa en tiempo real del carbón de la caña de azúcar, apoyando un mejor manejo de la enfermedad y la selección de variedades resistentes.
Descripción
La detección de carbón de la caña de azúcar es una enfermedad grave causada por el hongo, que puede resultar en una pérdida de caña del 30% al 100%. La medida más asequible y eficiente para prevenir y manejar la enfermedad del carbón de la caña de azúcar es seleccionar variedades resistentes a la enfermedad. Una evaluación exhaustiva de la resistencia a la enfermedad basada en la incidencia de la enfermedad del carbón es esencial durante el proceso de selección, lo que requiere la identificación rápida y precisa del carbón de la caña de azúcar. Los métodos tradicionales de identificación, que se basan en la observación visual de los síntomas, son lentos, costosos e ineficientes. Para abordar estas limitaciones, presentamos el modelo de detección de carbón de la caña de azúcar liviano (YOLOv5s-ECCW), que incorpora varias características innovadoras. Específicamente, se incorpora EfficientNetV2 en la red YOLOv5 para lograr la compresión del modelo manteniendo una alta precisión de detección. El mecanismo de atención de bloques convolucionales (CBAM) se agrega a la red principal para mejorar su capacidad de extracción de características y suprimir la información irrelevante. Se utiliza el módulo C3STR para reemplazar el módulo C3, mejorando la capacidad de capturar objetivos globales grandes. Se utiliza la función de pérdida WIoU en lugar de la función CIoU para mejorar la precisión de la regresión de cuadros delimitadores. Los resultados experimentales demuestran que el modelo YOLOv5s-ECCW logra una precisión media promedio (mAP) del 97.8% con solo 4.9 G FLOPs y 3.25 M parámetros. En comparación con el YOLOv5 original, nuestras mejoras incluyen un aumento del 0.2% en mAP, una reducción del 54% en parámetros y una disminución del 70.3% en los requisitos computacionales. El modelo propuesto supera a YOLOv4, SSD, YOLOv5 y YOLOv8 en términos de precisión, eficiencia y tamaño del modelo. El modelo YOLOv5s-ECCW satisface la necesidad urgente de la identificación precisa en tiempo real del carbón de la caña de azúcar, apoyando un mejor manejo de la enfermedad y la selección de variedades resistentes.