.png){kind=icon}
返回
TomaFDNet: A multiscale focused diffusion-based model for tomato disease detection
.png){kind=icon}
OA
AI
DOI：10.3389/fpls.2025.1530070.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
引言：番茄是全球最具经济意义的作物之一，其产量和质量受到叶部病害的严重影响。对这些病害的有效检测对于提升农业生产力及减轻经济损失至关重要。然而，当前的番茄叶部病害检测方法在提取多尺度特征、识别小目标以及抑制复杂背景干扰方面面临挑战。
方法：为解决上述问题，提出了多尺度番茄叶部病害检测模型Tomato Focus-Diffusion Network（TomaFDNet）。该模型利用多尺度聚焦-扩散网络（MSFDNet）和高效并行多尺度卷积模块（EPMSC），显著增强多尺度特征的提取能力。这种组合特别强化了模型在复杂背景下检测小目标的能力。
结果与讨论：实验结果表明，TomaFDNet在检测番茄叶片上的Early_blight、Late_blight和Leaf_Mold时，达到83.1%的平均精度均值（mAP），优于经典目标检测算法，包括Faster R-CNN（mAP = 68.2%）和You Only Look Once（YOLO）系列（v5: mAP = 75.5%，v7: mAP = 78.3%，v8: mAP = 78.9%，v9: mAP = 79%，v10: mAP = 77.5%，v11: mAP = 79.2%）。与基准YOLOv8模型相比，TomaFDNet的mAP提升了4.2%，且具有统计学意义（P < 0.01）。这些发现表明，TomaFDNet为番茄叶部病害的精确检测提供了有效解决方案。
Keyword:
deep learning
MSFDNet
objection detection
tomato disease
EPMSC
期刊
IF:
4.8
论文数:
3.5W
被引数:
14.7W
机构
暂无机构信息
引用论文
Garlic Origin Traceability and Identification Based on Fusion of Multi-Source Heterogeneous Spectral Information.png)
FoodsOAAI
FoodsIF0
OAAI分享收藏A High-Precision Detection Method of Apple Leaf Diseases Using Improved Faster R-CNN基于改进的Faster r-cnn的苹果叶部病害高精度检测方法AGRICULTURE-BASELOAAI
AGRICULTURE-BASELIF3.6
OAAI分享收藏分享收藏Real-time measurement and monitoring system for the fruit ripening process with a wireless, low-power and long-distance communication基于无线、低功耗和长距离通信的果实成熟过程实时测量与监测系统
PREAI
分享收藏YOLO-FMDI: A Lightweight YOLOv8 Focusing on a Multi-Scale Feature Diffusion Interaction Neck for Tomato Pest and Disease DetectionElectronicsOAAI
ElectronicsIF0
OAAI分享收藏
查看更多内容