Mamba-YOLO-ML: Un enfoque basado en modelos de espacio de estados para la detección de enfermedades en hojas de morera
Autores: Yuan, Chang; Li, Shicheng; Wang, Ke; Liu, Qinghua; Li, Wentao; Zhao, Weiguo; Guo, Guangyou; Wei, Lai
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Mora
Plaga
Enfermedad
Visión por computadora
Aprendizaje profundo
Detección
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
La morera ( spp.), como un cultivo económicamente significativo en la sericultura y aplicaciones medicinales, enfrenta graves amenazas a la producción y calidad de las hojas debido a infestaciones de plagas y enfermedades. Los métodos de detección tradicionales que dependen de pesticidas químicos y observación manual resultan ineficaces e insostenibles. Aunque las tecnologías de visión por computadora y aprendizaje profundo ofrecen nuevas soluciones, los modelos existentes presentan limitaciones en entornos naturales, incluyendo bajas tasas de reconocimiento para objetivos pequeños, eficiencia computacional insuficiente, mala adaptabilidad a oclusiones e incapacidad para identificar con precisión características estructurales como las venas de las hojas. Proponemos Mamba-YOLO-ML, un modelo optimizado que aborda tres desafíos clave en la detección basada en visión: Diseño Fase-Modular (PMSS) con bloques duales que mejoran la representación de características a múltiples escalas y mecanismos selectivos SSM, y Bloque Mamba, submuestreo de wavelet Haar que preserva detalles críticos de textura, y pérdida de Distancia de Wasserstein Normalizada que mejora la robustez ante objetivos pequeños. El análisis de visualización del rendimiento de detección en el conjunto de prueba utilizando GradCAM reveló que el modelo mejorado Mamba-YOLO-ML demuestra un enfoque más temprano y efectivo en regiones características de diferentes enfermedades en comparación con su predecesor. El modelo mejorado logró una precisión de detección superior con 78.2% mAP50 y 59.9% mAP50:95, superando a las variantes de YOLO y modelos basados en Transformer comparables, estableciendo un nuevo rendimiento de vanguardia. Su arquitectura liviana (5.6 millones de parámetros, 13.4 GFLOPS) mantiene la compatibilidad con dispositivos embebidos, permitiendo el despliegue en tiempo real en el campo. Este estudio proporciona una solución técnica extensible para la agricultura de precisión, facilitando el cultivo sostenible de morera a través de una gestión eficiente de plagas y enfermedades.
Descripción
La morera ( spp.), como un cultivo económicamente significativo en la sericultura y aplicaciones medicinales, enfrenta graves amenazas a la producción y calidad de las hojas debido a infestaciones de plagas y enfermedades. Los métodos de detección tradicionales que dependen de pesticidas químicos y observación manual resultan ineficaces e insostenibles. Aunque las tecnologías de visión por computadora y aprendizaje profundo ofrecen nuevas soluciones, los modelos existentes presentan limitaciones en entornos naturales, incluyendo bajas tasas de reconocimiento para objetivos pequeños, eficiencia computacional insuficiente, mala adaptabilidad a oclusiones e incapacidad para identificar con precisión características estructurales como las venas de las hojas. Proponemos Mamba-YOLO-ML, un modelo optimizado que aborda tres desafíos clave en la detección basada en visión: Diseño Fase-Modular (PMSS) con bloques duales que mejoran la representación de características a múltiples escalas y mecanismos selectivos SSM, y Bloque Mamba, submuestreo de wavelet Haar que preserva detalles críticos de textura, y pérdida de Distancia de Wasserstein Normalizada que mejora la robustez ante objetivos pequeños. El análisis de visualización del rendimiento de detección en el conjunto de prueba utilizando GradCAM reveló que el modelo mejorado Mamba-YOLO-ML demuestra un enfoque más temprano y efectivo en regiones características de diferentes enfermedades en comparación con su predecesor. El modelo mejorado logró una precisión de detección superior con 78.2% mAP50 y 59.9% mAP50:95, superando a las variantes de YOLO y modelos basados en Transformer comparables, estableciendo un nuevo rendimiento de vanguardia. Su arquitectura liviana (5.6 millones de parámetros, 13.4 GFLOPS) mantiene la compatibilidad con dispositivos embebidos, permitiendo el despliegue en tiempo real en el campo. Este estudio proporciona una solución técnica extensible para la agricultura de precisión, facilitando el cultivo sostenible de morera a través de una gestión eficiente de plagas y enfermedades.