基于YOLO的深度学习流程用于检测玫瑰茄（Hibiscus sabdariffa L.）中的营养缺乏症状

《Eng》：YOLO-Based Deep Learning Pipeline for Detecting Nutrient Deficiency Symptoms in Roselle (Hibiscus sabdariffa L.)

　　

摘要

本研究提出了一种基于YOLO的深度学习方法，用于检测Hibiscus sabdariffa L.中钙（Ca）、钾（K）、铁（Fe）和磷（P）缺乏相关的视觉症状，并与健康样本进行了对比。研究使用了在八周内不同温室条件下收集的多设备数据集，通过精确度、召回率、F1分数、mAP@50、mAP@75和mAP@[50–95]等指标来评估YOLOv11、YOLOv12和YOLOv13三种模型的性能。结果显示，YOLOv13在mAP@75指标上取得了最高的整体定位准确率；YOLOv12则在精确度和召回率之间的平衡表现最佳；而YOLOv11则具有最稳定的每周性能。这些结果表明，该方法能够有效检测不同生长阶段和采集条件下的营养缺乏症状。所提出的工作流程为使用消费级成像设备开发低成本的营养监测工具提供了可复制、可扩展且经济可行的基础，有助于精准农业和及时进行营养管理。