基于轻量级CNN与Transformer的马铃薯叶片病害检测对比研究及边缘端部署——CultivoScan移动应用

《Symmetry》:Detection of Leaf Diseases in Potato Crops Using a Lightweight Deep Learning Model for Mobile Devices

【字体: 大 中 小 】 时间:2026年10月02日 来源:Symmetry 2.2

编辑推荐:

   摘要

  

摘要

在现实农业环境中,马铃薯作物叶片病害的早期检测仍然具有挑战性,因为症状可能相似,且田间图像面临诸多挑战(天气、光照、方向、尺度、模糊等)。尽管深度学习模型在农业图像叶片病害检测中已取得令人瞩目的成果,但现代轻量级卷积神经网络(CNN)架构与基于注意力机制(Transformer)的模型在马铃薯作物检测方面的对比研究仍然有限,尤其是在边缘计算设备上进行本地推理方面。本研究在统一的训练和评估协议下,实验对比了轻量级YOLO26(基于CNN)和RT-DETRv2(基于Transformer)目标检测器,用于四种马铃薯叶片类别的叶片级检测与分类:健康叶片、早疫病、晚疫病和小斑病。这些病害在叶片上表现出明显的症状,在可见光谱中可加以区分。这些病害会在叶片表面产生不规则且不对称的视觉特征,使其在多变的光照和环境条件下难以检测。模型在PyTorch框架上采用CRISP-DM方法论进行训练,使用的混合数据集包含3060张RGB图像,其中包括来自PlantVillage数据集的2152张公共图像和从厄瓜多尔卡尔奇省农业地块采集的908张自采图像。图像使用Roboflow软件标注了叶片级边界框。该任务被设计为叶片级病害检测,其中每个边界框代表一片完整的叶片,被分配到单一的诊断类别。在评估的各配置中,YOLO26n在预测性能与计算效率之间取得了最佳平衡,达到98.89%的mAP50、98.05%的mAP50-95、96.99%的精确率和95.76%的召回率,GPU推理时间为5.06毫秒。所评估的RT-DETRv2配置也实现了具有竞争力的检测性能,但需要更多的计算资源和更高的推理延迟。YOLO26n模型的表现与一些现有研究相当,因此被导出为TensorFlow Lite格式并集成到一个名为CultivoScan的移动应用中,该应用已发布在Google Play商店。该应用可在Android设备上本地执行推理,无需依赖外部服务器,使其适合作为现实农业环境中马铃薯作物叶片病害视觉识别的技术支持工具。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号