Yolov8-RBean: modelo de detección de enfermedades en hojas de frijol corredor basado en YOLOv8
Autores: Chen, Hongbing; Zhai, Haoting; Hu, Jinghuan; Chen, Hongrui; Wen, Changji; Feng, Yizhe; Wang, Kun; Li, Zhipeng; Wang, Guangyao
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Yolov8-RBean: modelo de detección de enfermedades en hojas de frijol corredor basado en YOLOv8
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Frijol corredor
Prevención de enfermedades
Modelo de detección
YOLOv8_RBean
Enfermedad foliar
Rendimiento de detección
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 33
Citaciones: Sin citaciones
El frijol corredor es una fuente alimenticia importante a nivel mundial, y la prevención y control efectivos de enfermedades son cruciales para garantizar la seguridad alimentaria. Sin embargo, el frijol corredor es vulnerable a diversas enfermedades durante su crecimiento, lo que afecta significativamente tanto el rendimiento como la calidad. A pesar del continuo avance de las tecnologías de detección de enfermedades, los modelos existentes de detección de enfermedades en leguminosas aún enfrentan desafíos significativos para identificar tipos de enfermedades a pequeña escala, irregulares e insignificantes visualmente, limitando su aplicación práctica. Para abordar este problema, este estudio propone un modelo de detección mejorado, YOLOv8_RBean, basado en el marco de detección de objetos YOLOv8, específicamente diseñado para la detección de enfermedades en hojas de frijol corredor. El modelo mejora el rendimiento de detección a través de tres innovaciones clave: (1) el módulo BeanConv, que integra convolución separable en profundidad y convolución puntual para mejorar la extracción de características a múltiples escalas; (2) un mecanismo de atención LA ligero que incorpora información espacial, de canal y de coordenadas para mejorar la representación de características; y (3) una estructura ligera de bloque BLBlock construida sobre DWConv y atención LA, que optimiza la eficiencia computacional manteniendo una alta precisión. Los resultados experimentales en el conjunto de datos de enfermedades del frijol corredor demuestran que el modelo propuesto logra una precisión del 88.7%, con mAP50 y mAP50-95 alcanzando el 83.5% y el 71.3%, respectivamente. Además, el modelo reduce el número de parámetros a 2.71 M y el costo computacional a 7.5 GFLOPs, lo que representa reducciones del 10% y 7.4% en comparación con el modelo base. Notablemente, el método muestra claras ventajas en la detección de enfermedades morfológicamente sutiles como infecciones virales, proporcionando una solución técnica eficiente y práctica para la monitorización inteligente y prevención de enfermedades en frijoles corredores.
Descripción
El frijol corredor es una fuente alimenticia importante a nivel mundial, y la prevención y control efectivos de enfermedades son cruciales para garantizar la seguridad alimentaria. Sin embargo, el frijol corredor es vulnerable a diversas enfermedades durante su crecimiento, lo que afecta significativamente tanto el rendimiento como la calidad. A pesar del continuo avance de las tecnologías de detección de enfermedades, los modelos existentes de detección de enfermedades en leguminosas aún enfrentan desafíos significativos para identificar tipos de enfermedades a pequeña escala, irregulares e insignificantes visualmente, limitando su aplicación práctica. Para abordar este problema, este estudio propone un modelo de detección mejorado, YOLOv8_RBean, basado en el marco de detección de objetos YOLOv8, específicamente diseñado para la detección de enfermedades en hojas de frijol corredor. El modelo mejora el rendimiento de detección a través de tres innovaciones clave: (1) el módulo BeanConv, que integra convolución separable en profundidad y convolución puntual para mejorar la extracción de características a múltiples escalas; (2) un mecanismo de atención LA ligero que incorpora información espacial, de canal y de coordenadas para mejorar la representación de características; y (3) una estructura ligera de bloque BLBlock construida sobre DWConv y atención LA, que optimiza la eficiencia computacional manteniendo una alta precisión. Los resultados experimentales en el conjunto de datos de enfermedades del frijol corredor demuestran que el modelo propuesto logra una precisión del 88.7%, con mAP50 y mAP50-95 alcanzando el 83.5% y el 71.3%, respectivamente. Además, el modelo reduce el número de parámetros a 2.71 M y el costo computacional a 7.5 GFLOPs, lo que representa reducciones del 10% y 7.4% en comparación con el modelo base. Notablemente, el método muestra claras ventajas en la detección de enfermedades morfológicamente sutiles como infecciones virales, proporcionando una solución técnica eficiente y práctica para la monitorización inteligente y prevención de enfermedades en frijoles corredores.