AITOPAI热报

农业AI

共 5 条相关 AI 资讯
8月29日
00:51
8月12日
16:56
16:56官方账号arXiv cs.AI@Ismail Ismail Tijjani, Sunusi Muhammad Ibrahim, Amina Ibrahim Khaleel, Lanre Olusegun Akinola, Fatima Isa Jibrin, Muhammad Bashir Aliyu, Abdullahi Abdussalam Dalhat, Abdullahi Suiudeen
一项研究在非洲尼日利亚农田采集的AgriAISeg数据集上，对比了YOLOv5、YOLOv8、YOLO11、YOLO26、Faster R-CNN和RT-DETR六种目标检测模型。数据集包含3,382张芝麻、卷心菜和番茄图像，覆盖光照变化、遮挡和视角差异等真实条件。RT-DETR表现最佳，精度达0.768，mAP@0.5:0.95为0.624；YOLOv8和YOLO11表现稳定。Faster R-CNN的mAP@0.5仅0.466，准确率明显偏低。YOLO系列模型训练效率也优于Faster R-CNN。
论文YOLOv8RT-DETRFaster R-CNN
推荐理由：想看真实农田里哪个检测模型靠谱？这篇用非洲实地数据测了六个模型，RT-DETR和YOLO系赢了，Faster R-CNN掉队，结论直接。
原文
6月15日
11:11
6月13日
02:08
6月2日
11:09
11:09官方账号arXiv cs.AI@Adrián Cánovas-Rodriguez, Miguel A. González-Illán, Maria Fernanda García-Cruz, Pedro Nortes Tortosa, José Salvador Rubio-Asensio, Miguel A. Zamora Izquierdo, Juan Antonio Martínez Navarro, Antonio F. Skarmeta
研究者提出基于注意力机制和迁移学习的桃叶损伤分类方法，解决不同田间环境下的域迁移问题。他们构建了包含 1,366 张桃叶、6 类损伤的公开基准数据集，并评估多种深度学习架构。EfficientNetB5 结合 CBAM 注意力模块取得最佳准确率 93.3%，在少数类上表现更强。针对本地 180 张图像的域迁移测试，EfficientNetB3+CBAM 通过微调策略达到 93% 的宏 F1 分数，证明注意力机制能提升模型跨域泛化能力。
论文注意力机制迁移学习农业AI
推荐理由：农业 AI 落地常卡在域迁移上——不同果园的光照、品种会让模型失效。这篇用 CBAM 注意力+迁移学习把桃叶病害分类的跨域准确率拉到 93%，做作物病害检测的团队可以直接参考其微调策略。
原文