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

方法

8周温室多设备图像数据集，对比YOLOv11/v12/v13架构。

发现

YOLOv13定位精度最高，YOLOv12精度-召回最均衡，YOLOv11周稳定性最好。

机会点

可扩展到多作物、田间自然场景及早期缺素预警与施肥决策联动。

Ramírez-Pedraza等发表。研究基于YOLO的深度学习流程检测玫瑰茄中钙、钾、铁、磷缺乏的视觉症状及健康样本。在为期8周的温室条件下使用多设备数据集评估YOLOv11、YOLOv12、YOLOv13架构。YOLOv13达到最高的整体定位精度，YOLOv12在精度-召回平衡上表现最佳，YOLOv11每周性能最稳定。