番茄在生长过程中易受以病毒病为主的病害侵袭,对其产量和质量造成巨大影响。针对现有番茄植株病害检测方法存在精度低、泛化能力差的问题,构建了一种基于改进YOLOv8-AM算法的检测模型。通过对Plant Village Dataset公共数据集和实地采...番茄在生长过程中易受以病毒病为主的病害侵袭,对其产量和质量造成巨大影响。针对现有番茄植株病害检测方法存在精度低、泛化能力差的问题,构建了一种基于改进YOLOv8-AM算法的检测模型。通过对Plant Village Dataset公共数据集和实地采集的番茄病毒病害检测数据集进行数据增强,构成番茄病毒病害最终的训练数据集和验证数据集。同时,基于YOLOv8模型框架,借鉴残差网络和人眼视觉注意力机制,引入ResBlock+CBAM结构,设计ResCBAM模块,提升模型对关键特征的提取能力。在Plant Village Dataset公共数据集上进行训练与测试,并在番茄病毒病自建数据集上进行试验预测与验证,最终基于Java平台的Spring Boot框架,开发出一种基于YOLOv8-AM的番茄病毒病害检测系统。试验结果表明:在公共数据集上,YOLOv8-AM算法的精确率、召回率分别为92.47%和93.91%,均值平均精度为97.82%,模型的检测速度为31.89 FPS、尺寸为23.83 MB,改进算法在保持检测速度的同时精度均高于现有模型;在自建数据集上,YOLOv8-AM算法的均值平均精度为89.76%,模型泛化能力较强。利用改进的YOLOv8-AM算法能够实现对番茄病毒病害的快速检测,为作物植株的病害识别与防治提供技术支撑。展开更多
文摘番茄在生长过程中易受以病毒病为主的病害侵袭,对其产量和质量造成巨大影响。针对现有番茄植株病害检测方法存在精度低、泛化能力差的问题,构建了一种基于改进YOLOv8-AM算法的检测模型。通过对Plant Village Dataset公共数据集和实地采集的番茄病毒病害检测数据集进行数据增强,构成番茄病毒病害最终的训练数据集和验证数据集。同时,基于YOLOv8模型框架,借鉴残差网络和人眼视觉注意力机制,引入ResBlock+CBAM结构,设计ResCBAM模块,提升模型对关键特征的提取能力。在Plant Village Dataset公共数据集上进行训练与测试,并在番茄病毒病自建数据集上进行试验预测与验证,最终基于Java平台的Spring Boot框架,开发出一种基于YOLOv8-AM的番茄病毒病害检测系统。试验结果表明:在公共数据集上,YOLOv8-AM算法的精确率、召回率分别为92.47%和93.91%,均值平均精度为97.82%,模型的检测速度为31.89 FPS、尺寸为23.83 MB,改进算法在保持检测速度的同时精度均高于现有模型;在自建数据集上,YOLOv8-AM算法的均值平均精度为89.76%,模型泛化能力较强。利用改进的YOLOv8-AM算法能够实现对番茄病毒病害的快速检测,为作物植株的病害识别与防治提供技术支撑。
