วิธีการระบุแมลงศัตรูพืชถั่วเหลืองอย่างรวดเร็วโดยใช้การปรับปรุงโครงสร้างเครือข่าย SK-YOLOv8
Main Article Content
บทคัดย่อ
การระบุแมลงศัตรูพืชในถั่วเหลืองอย่างทันท่วงทีและแม่นยำเป็นสิ่งสำคัญสำหรับเกษตรแม่นยำและการจัดการพืชผลอย่างยั่งยืน บทความนี้เสนอวิธีการตรวจจับศัตรูพืชที่ได้รับการปรับปรุงโดยใช้สถาปัตยกรรม YOLOv8 โดยผสานกลไกความสนใจแบบ Selective Kernel (SK) เพื่อเพิ่มความสามารถในการปรับตัวของคุณลักษณะในหลายขอบเขตการรับรู้กลไกความสนใจ SK สามารถเลือกคุณลักษณะการคอนโวลูชันที่มีขนาดแตกต่างกันได้อย่างปรับเปลี่ยนตามสภาวะ โดยอาศัยการปรับขอบเขตการรับรู้ให้สอดคล้องกับบริบทของคุณลักษณะอินพุต การฝังโมดูลความสนใจ SK ลงในโครงสร้างหลักของ YOLOv8 ทำให้เครือข่ายเลือกขนาดเคอร์เนลที่เหมาะสมแบบไดนามิกเพื่อจับภาพขนาดและรูปแบบภาพที่แตกต่างกันของแมลงศัตรูพืชได้ดียิ่งขึ้น การออกแบบนี้ช่วยให้โมเดลสามารถมุ่งเน้นไปที่คุณลักษณะที่โดดเด่นในขณะที่ลดข้อมูลพื้นหลังที่ซ้ำซ้อนเพื่อประเมินประสิทธิภาพของวิธีการที่เสนอ ได้มีการสร้างชุดข้อมูลแมลงศัตรูพืชในถั่วเหลืองและทำการทดลองอย่างกว้างขวางภายใต้สภาวะจริง ผลลัพธ์แสดงให้เห็นว่าแบบจำลอง SK-YOLOv8 ที่ได้รับการปรับปรุงนั้นมีความแม่นยำในการตรวจจับที่ดีขึ้นอย่างมาก โดยมีค่า mAP@0.5 สูงถึง 87.4% ในขณะที่ยังคงความซับซ้อนในการคำนวณเท่าเดิม (8.2 GFLOPs) เมื่อเทียบกับ YOLOv8n รุ่นดั้งเดิม สิ่งนี้แสดงให้เห็นว่าวิธีการที่เสนอไม่เพียงแต่เพิ่มความแม่นยำและความทนทานในการตรวจจับเท่านั้น แต่ยังคงรักษาประสิทธิภาพในการคำนวณไว้ได้ด้วย ซึ่งเป็นแนวทางแก้ไขที่ใช้งานได้จริงและมีประสิทธิภาพสำหรับการตรวจสอบศัตรูพืชอัจฉริยะในด้านเกษตรแม่นยำ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ลงตีพิมพ์เป็นข้อคิดเห็นของผู้เขียนเท่านั้น
ผู้เขียนจะต้องเป็นผู้รับผิดชอบต่อผลทางกฎหมายใดๆ ที่อาจเกิดขึ้นจากบทความนั้น
เอกสารอ้างอิง
A. Paul, R. Machavaram, A. D. Kumar, and H. Nagar, “Smart solutions for capsicum harvesting: Unleashing the power of YOLO for detection, segmentation, growth stage classification, counting, and real-time mobile identification,” Computers and Electronics in Agriculture, vol. 219, pp. 108832, Jan. 2024, doi: 10.1016/ j.compag.2024.10883.
X. Ji, Z. Yue, H. Yang, M. Li, and H. Han, “SCADDETR: An infrared image detection method for switchgear equipment,” IEEE Internet of Things Journal, vol. 12, no. 15, pp. 30676–30697, Aug. 2025, doi:10.1109/JIOT.2025.3571499.
E. C. Tetila, F. A. G. da Silveira, A. B. da Costa, M. M. Belete, V. G. Cavalcanti, and D. S. Maciel, “YOLO performance analysis for real-time detection of soybean pests,” Smart Agricultural Technology, vol. 7, 2024, doi: 10.1016/j.atech. 2024.100405.
K. Qin, J. Zhang, and Y. Hu, “Identification of insect pests on soybean leaves based on SP-YOLO,” Agronomy, vol. 14, no. 7, 2024, doi: 10.3390/agronomy14071586.
R. Vaghela, D. S. Vaishnani, P. N. Srinivasu, Y. Popat, J. Sarda, M. Woźniak, and M. F. Ijaz, “Land cover classification for identifying the agriculture fields using versions of YOLO v8,” IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 18, pp. 8672–8684, 2025, doi: 10.1109/ JSTARS.2025.3547058.
T. Li, L. Zhang, and J. Lin, “Precision agriculture with YOLO-Leaf: Advanced methods for detecting apple leaf diseases,” Frontiers in Plant Science, vol. 15, pp. 1452502, Apr. 2024, doi: 10.3389/fpls.2024.1452502.
K. Kanna, K. Ramalingam, P. Pazhanivelan, J. Ramasamy, and P. PC, “YOLO deep learning algorithm for object detection in agriculture: A review,” Journal of Agricultural Engineering, vol. 55, no. 4, 2024, doi: 10.4081/jae.2024.1641.
Q. Zhou, H. Li, Z. Cai, Y. Zhong, F. Zhong, X. Lin, and L. Wang, “YOLO-ACE: Enhancing YOLO with augmented contextual efficiency for precision cotton weed detection,” Sensors, vol. 25, no. 5, pp. 1635, Mar. 2025, doi: 10.3390/s25051635.
H. Fang, B. Shi, Y. Sun, N. Xiong, and L. Zhang, “APest-YOLO: A multi-scale agricultural pest detection model based on deep learning,” Applied Engineering in Agriculture, vol. 40, no. 5, pp. 553–564, 2024, doi: 10.13031/aea.15987.
J. Chu, Y. Li, H. Feng, L. Wang, and Z. Zhang, “Research on a multi-scale pest detection and identification method in granary based on improved YOLOv5,” Agriculture, vol. 13, no. 2, 2023, doi: 10.3390/agriculture13020364.
J. Xiao, G. Kang, L. Wang, W. Zhao, Z. Liu, and Y. Yang, “Real-time lightweight detection of lychee diseases with enhanced YOLOv7 and edge computing,” Agronomy, vol. 13, no. 12, 2023, doi: 10.3390/agronomy13122866.
B. Guan, Y. Wu, J. Zhu, Y. Hu, and C. Yu, “GC-Faster RCNN: The object detection algorithm for agricultural pests based on an improved hybrid attention mechanism,” Plants, vol. 14, no. 7, 2025, doi: 10.3390/plants14071106.
H. Liu, Y. Hou, J. Zhang, P. Zheng, and S. Hou, “Research on weed reverse detection methods based on improved You Only Look Once (YOLO) v8: Preliminary results,” Agronomy, vol. 14, no. 8, pp. 1667, Aug. 2024, doi: 10.3390/ agronomy14081667.
Y. Huang, H. Huang, F. Qin, Y. Chen, J. Zou, B. Liu, Z. Li, C. Liu, F. Wan, W. Qian, and X, Qiao, “YOLO-IAPs: A rapid detection method for invasive alien plants in the wild based on improved YOLOv9,” Agriculture, vol. 14, no. 12, pp. 2201, Dec. 2024, doi: 10.3390/agriculture 14122201.
X. Ji, Z. Yue, H. Yang, and Z. Zhang, “Infrared image classification and detection algorithm for power equipment based on improved YOLOv10,” IEEE Access, vol. 12, pp. 184976–184988, Dec. 2024, doi: 10.1109/ ACCESS.2024.3514103.
H. Feng, Q. Chen, and Z. Duan, “LCDDN-YOLO: Lightweight cotton disease detection in natural environment, based on improved YOLOv8,” Agriculture, vol. 15, no. 4, pp. 421, Apr. 2025, doi: 10.3390/agriculture15040421.
B. Li, L. Yu, H. Zhu, and Z. Tan, “YOLO-FDLU: A lightweight improved YOLO11s-based algorithm for accurate maize pest and disease detection,” AgriEngineering, vol. 7, pp. 323, 2025, doi:10.3390/agriengineering7100323.
X. Li, W. Wang, X. Hu, and J. Yang, “Selective kernel networks,” in Proceedings of the IEEE/ CVF Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, CA, USA, 2019, pp. 510–519, doi: 10.1109/ CVPR.2019.00060.
X. Sun, P. Wu, and S. C. H. Hoi, “Face detection using deep learning: An improved Faster R-CNN approach,” Neurocomputing, vol. 299, pp. 42–50, Mar. 2018, doi: 10.1016/j.neucom. 2018.03.030.
X. Fu, A. Li, Z. Meng, J. Wang, and J. Guo, “A dynamic detection method for phenotyping pods in a soybean population based on an improved YOLO-v5 network,” Agronomy, vol. 12, no. 12, 2022, Art. no. 3209, doi: 10.3390/ agronomy12123209.
R. Khanam, M. Hussain Yolov11: An overview of the key architectural enhancements[J]. arXiv preprint arXiv:2410.17725, 2024, doi: 10.48550/ arXiv.2410.17725.
