基于深度学习的苹果病害识别方法及应用OA
苹果是我国主栽经济果树,若在病害防控过程中盲目用药易导致药物残留与生态问题,且传统人工识别病害的方式效率低、主观性强.为了解决上述问题,文中提出一种改进YOLOv12的快速识别方法,在网络中融合MoCAttention注意力机制、CGDown下采样模块与DyHead动态检测头进行农业场景专项优化,构建YOLOv12-Disease 模型,并与 YOLOv8、YOLOv5、Faster R-CNN 对比.结果表明,该模型对 5 种病害的平均精度均值(mAP@0.5)达92.28%,单类mAP@0.5均超90%,单张640×640图像检测时间仅8.2 ms,帧率为122 f/s,综合性能显著优于对比模型.基于此开发的B/S架构在线识别系统,集成了智能诊断、知识库与防控指导功能,可满足田间苹果病害快速精准识别的需求.
段雅萱;李守晓;王文婷;贾娜娜;张京京
天津农学院,天津 300392||庆阳正洋现代生态农业科技有限公司,甘肃 庆阳 745206天津农学院,天津 300392||庆阳正洋现代生态农业科技有限公司,甘肃 庆阳 745206庆阳正洋现代生态农业科技有限公司,甘肃 庆阳 745206庆阳正洋现代生态农业科技有限公司,甘肃 庆阳 745206天津农学院,天津 300392
信息技术与安全科学
YOLOv12深度学习苹果病害识别目标检测注意力机制智慧果园
《物联网技术》 2026 (20)
19-22,28,5
甘肃省科技计划资助(24CXNM006)
评论