Die genaue Erkennung von Krankheiten in Tomatenblättern ist von großer Bedeutung für den gezielten Einsatz von Pflanzenschutzmitteln in einem komplexen Hintergrundszenario, berichtet HortiDaily.
Bestehende Modelle haben oft Schwierigkeiten, weitreichende Abhängigkeiten und feinkörnige Merkmale in Bildern zu erfassen, was bei komplexen Hintergründen zu einer schlechten Erkennung führt. Um diese Herausforderung zu bewältigen, wurde in dieser Studie die Verwendung des YOLO-BSMamba-Erkennungsmodus vorgeschlagen.
Die Forscher schlugen vor, ein Hybrid Convolutional Mamba-Modul (HCMamba) in das Halsnetzwerk zu integrieren, um die Merkmalsdarstellung zu verbessern, indem die Fähigkeiten des State Space Model (SSM) zur Erfassung globaler kontextueller Abhängigkeiten genutzt und die Fähigkeiten der Faltung zur Erkennung lokalisierter räumlicher Merkmale erkannt werden. Darüber hinaus führten die Forscher den Similarity-Based Attention Mechanism (ähnlichkeitsbasierter Aufmerksamkeitsmechanismus) in das C2f-Modul ein, um die Fähigkeiten des Modells zur Merkmalsextraktion zu verbessern, indem sie sich auf krankheitsindikative Blattbereiche konzentrieren und Hintergrundrauschen reduzieren. Das gewichtete bidirektionale Merkmalspyramidennetzwerk (BiFPN) wurde verwendet, um die Merkmalsfusionskomponente des Netzwerks zu ersetzen, wodurch die Erkennungsleistung des Modells für Läsionen mit heterogenen symptomatischen Abstufungen verbessert wurde und das Modell in die Lage versetzt wurde, Merkmale aus verschiedenen Skalen effektiv zu integrieren. Die Forschungsergebnisse zeigen, dass das YOLO-BSMamba einen F1-Wert, mAP@0.5 und mAP@0.5:0.95 von 81,9 %, 86,7 % bzw. 72,0 % erreicht, was eine Verbesserung von 3,0 %, 4,8 % bzw. 4,3 % im Vergleich zu YOLOv8s darstellt. Im Vergleich zu anderen Modellen der YOLO-Reihe erzielt es die besten mAP@0.5 und F1-Werte.
Diese Studie liefert eine robuste und zuverlässige Methode für die Erkennung von Blattkrankheiten bei Tomaten, die die Effizienz des gezielten Einsatzes von Pflanzenschutzmitteln verbessern und die Überwachung und das Management von Pflanzen in der Präzisionslandwirtschaft weiter verbessern dürfte.
