Un algoritmo ligero de reconocimiento en tiempo real para la enfermedad de las hojas de tomate basado en YOLOv8 mejorado

Para abordar el desafío de detección en tiempo real de implementar algoritmos de detección de enfermedades de las hojas de tomate basados en aprendizaje profundo en dispositivos embebidos, se propone en este artículo un algoritmo mejorado de detección de enfermedades de las hojas de tomate basado en YOLOv8n. Es capaz de lograr la detección eficiente y en tiempo real de las enfermedades de las hojas de tomate mientras se mantienen los requisitos de ligereza del modelo. El algoritmo incorporó el LMSM (módulo ligero de múltiples escalas) y el ALSA (módulo de submuestreo ligero de atención) para mejorar la capacidad de extraer información semántica ligera y multiescalar para las características específicas de la enfermedad de las hojas de tomate, que incluyen el tamaño irregular de las manchas y las hojas de tomate frondosas. La red de cabeza fue rediseñada utilizando convoluciones parciales y grupales junto con un método de compartición de parámetros. Se introdujeron estrategias escalables de optimización de cajas límites auxiliares y funciones de pérdida para mejorar aún más el rendimiento. Después de someterse a la técnica de poda, el cálculo disminuyó en un 61.7%, el tamaño del modelo disminuyó en un 55.6%, y los FPS aumentaron en un 44.8%, todo mientras se mantenía un alto nivel de precisión. Se obtuvo una velocidad de detección de 19.70 FPS en el Jetson Nano después de someterse a la cuantización de TensorRT, mostrando una mejora del 64.85% en comparación con la velocidad de detección inicial. Este método cumplió con los requisitos de alto rendimiento en tiempo real y pequeño tamaño del modelo para sistemas de detección de enfermedades de las hojas de tomate embebidos, reduciendo indirectamente el consumo energético de la detección en línea. Proporcionó una solución efectiva para la detección en línea de la enfermedad de las hojas de tomate.