YOLO-D: Model identifikasi presisi tinggi untuk bit gula dan gulma pada tahap pertumbuhan yang berbeda

Abstrak
Deteksi gulma sangat penting untuk manajemen gulma yang efisien, tetapi lingkungan pertanian dan kesamaan antara tanaman dan gulma membuat deteksi menjadi menantang. Metode pembelajaran mendalam saat ini sering menghadapi masalah seperti variasi skenario terbatas, sampel gambar tidak mencukupi, dan akurasi deteksi rendah. Lebih jauh lagi, gulma dan tanaman bervariasi dalam bentuk dan warna pada tahap pertumbuhan yang berbeda, yang semakin mempersulit deteksi. Untuk mengatasi masalah ini, kami mengusulkan metode identifikasi presisi tinggi berdasarkan model You Only Look Once (YOLO-D), untuk bit gula ( Beta vulgaris ) dan gulma pada tahap pertumbuhan yang berbeda. Model ini menggunakan tulang punggung FasterNet-S untuk meningkatkan kemampuan ekspresi fitur dan cakupan bidang reseptor sambil mempertahankan kecepatan deteksi yang tinggi. Ia juga memperkenalkan modul C2F, yang menggabungkan lebih banyak koneksi residual untuk meningkatkan aliran gradien dalam struktur jaringan. Kepala decoupling yang efisien digabungkan, mengurangi biaya komputasi dan mencapai latensi inferensi yang lebih rendah. Dataset bit Lincoln digunakan untuk pelatihan dan evaluasi. Dibandingkan dengan studi yang ada, model YOLO-D yang diusulkan mencapai peningkatan rata-rata presisi (mAP) keseluruhan sebesar 3,3%, mencapai 75,8%. mAP untuk bit gula meningkat sebesar 1,6%, mencapai 87,3%, dan mAP untuk gulma meningkat sebesar 5,1%, mencapai 64,4%. Pada kumpulan data wijen publik ( Sesamum indicum ), “data deteksi tanaman dan gulma dengan kotak pembatas,” model ini mencapai mAP tinggi sebesar 88,9%, dengan peningkatan mAP keseluruhan sebesar 1%.

Ringkasan Bahasa Sederhana
Deteksi gulma sangat penting untuk pengelolaan tanaman, tetapi sangat menantang karena kesamaan antara gulma dan tanaman pangan serta kondisi pertumbuhan yang bervariasi. Metode yang ada sering menghadapi masalah seperti sampel gambar yang tidak mencukupi dan akurasi deteksi yang rendah. Studi ini mengusulkan pendekatan baru menggunakan model yang disebut YOLO-D, yang dapat mendeteksi bit gula dan gulma pada berbagai tahap pertumbuhan. Model ini meningkatkan akurasi dan kecepatan sekaligus mengurangi penggunaan sumber daya komputasi. Hasil pengujian kami menunjukkan bahwa YOLO-D meningkatkan akurasi deteksi sebesar 1,6% untuk bit gula dan 5,1% untuk gulma. Dibandingkan dengan metode lain, model ini lebih efisien dan berkinerja baik pada beberapa set data, menunjukkan potensinya untuk pengelolaan tanaman pangan dan gulma.