FNE-RTDETR：一种轻量级的端到端模型，用于小面积番茄叶病检测和精细分类

《Neural Networks》：FNE-RTDETR: A lightweight end-to-end model for small-area tomato leaf disease detection and fine-grained classification

　　

阿布杜克利穆·阿布利齐 | 余祥叶 | 马伊拉穆·穆西德克 | 耿荣张 | 优利苏 | 雅俊张 | 哈利丹穆·阿布杜克利穆

摘要

番茄在全球范围内广泛种植，不仅是日常营养的重要来源，也是一种具有经济价值的作物。然而，番茄的产量和质量极易受到环境和气候因素的影响。因此，及时检测和准确识别番茄植株的叶部疾病对于维持最佳的生产和质量至关重要。目前的检测方法依赖于农业专家的主观判断，这导致了效率低下和结果不一致的问题，无法满足精确和及时管理疾病的需求。此外，在自然环境中如何在轻量级模型和识别精度之间取得平衡仍然是一个持续的挑战。在这项研究中，引入了FNE-RTDETR模型来检测番茄叶部疾病，该模型使用FasterNet网络替代了RT-DETR的原始主干网络，整合了轻量级的PConv模块，从而减少了网络参数和计算复杂性，同时保持了检测性能，提高了特征提取效率。此外，可变形注意力（Deformable attention）和AIFI模块的结合增强了模型对各种疾病类型的细粒度分类能力。解码器中的交叉注意力机制被高效的多通道注意力机制所取代，这增强了模型融合多尺度语义特征的能力，从而提高了对小病斑区域的检测性能，并有效解决了疾病检测中的挑战。实验结果表明，FNE-RTDETR的mAP50达到了91.5%，比RT-DETR高出4.1%，同时参数减少了14.7%，GFLOPs减少了9%。消融实验和鲁棒性实验进一步验证了该模型卓越的收敛速度和泛化能力。与YOLOv3、YOLOv5、YOLOv6、YOLOv8、YOLOv9、YOLOv10以及各种DETR变体相比，FNE-RTDETR在多个数据集上始终表现出更高的准确性和更好的轻量级性能，显示出其在番茄叶部疾病检测中的强大应用潜力。