柑橘類の病害虫検出に向けた改良型YOLOv26-ACearly-ASPPdeep

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…

• YOLO11nをベースに検出構造をP3-P5からP2-P4へ再構築した軽量物体検出モデル「LemonDet」を提案(LemonDetは提案モデル名/YOLO11nはベース技術)
• ラベル付きレモン領域から得たデータセット固有のRGB色事前情報を初期特徴抽出に注入する「Lemon Color Prior Convolution (LCP-Conv)」モジュールを開発
• 学習画像のみに適用するラベルガイドローカル画像強調により小物体の限定的なピクセル表現を強化

• YOLO11nをベースに、C3k2_SGB・ADown・C2VGAアテンション・FSIoU損失の4つの最適化を組み込んだ軽量花卉検出フレームワーク「Flora-YOLO」を提案。
• 5分割クロスバリデーション評価で、ベースライン比28.6%の計算負荷削減とmAP@0.5=86.7%、mAP@0.5:0.95=50.4%を達成。モデル規模は1.73Mパラメータ・4.5GFLOPs。
• Android端末およびNPUアクセラレータ搭載のNXP i.MX 8M Plus上で、90.5msレイテンシ・11.05FPSのリアルタイム推論を実機展開で実現。

• 画像レベルのラベルのみから欠陥認識や表面状態スコアリングを行う新モデル「WS-DA-DETR」が開発され、4クラス分類精度89.5%、健康評価AUC 96.3%、RTX 3090で30.2ミリ秒の推論速度を記録した。

• YOLO26nベースの軽量物体検出手法YOLO-SCCを提案し、地下炭鉱環境での人員検出精度を向上させた(mAP@0.5で85.3%を達成)