HGSM-YOLO: 柑橘類の葉の病気検出のための小型病変指向軽量YOLO11nフレームワーク
HGSM-YOLO: A Small-Lesion-Oriented Lightweight YOLO11n Framework for Citrus Leaf Disease Detection
柑橘類の葉の病気の正確かつ迅速な検出は、早期診断、精密な果樹園管理、および生産における経済的損失の削減のために重要である。早期病変は小さく不規則であることが多く、自動検出は依然として困難である。これらの課題に対処するため、異種畳み込み、GSConvベースのスリムネック、マルチスケール拡張局所注意の協調利用を意味するHGSM-YOLOを提案する。このフレームワークはYOLO11nをベースにしており、その2.59Mパラメータと6.4GFLOPsのデザインはエッジ指向の改善のための厳格なコンパクトベースラインを提供する。HGSM-YOLOは、C3k2-HetConvがバックボーンで病変のエッジと局所的な形態を保持し、GSConvベースのスリムネックが特徴融合コストの一部を削減し、高解像度P3ブランチのMSDAモジュールが小型病変のコンテキストを強化する階層設計に従う。最終モデルは、YOLO11nの精度68.5%、再現率61.5%、F1スコア64.8%、mAP@0.5 66.0%、mAP@0.5:0.95 40.2%と比較して、精度77.5%、再現率66.8%、F1スコア71.7%、mAP@0.5 70.8%、mAP@0.5:0.95 44.2%を達成した。独立した1871画像のcitrus-leaf-disease-2データセットでは、HGSM-YOLOはmAP@0.5で94.4%、YOLO11nは92.2%、Roboflow YOLOv11参照モデルは93.1%であった。HGSM-YOLOアーキテクチャは7.2 GFLOPs、2.82Mパラメータを使用し、RTX 4090で90.9 FPSで動作する。この貢献は、すべての個々のメトリックで普遍的な優位性よりも、再現率と局在化指向の精度と効率のトレードオフを提供する。
本記事は柑橘類の葉の病気検出に特化した軽量YOLOモデルの改良研究であり、学術的な性能改善の報告に留まる。投資判断に直結する企業の製品発表や調達、市場展開などの具体的な事業イベントは含まれておらず、投資家視点での直接的な投資材料とはなりにくい。