MDPI Eng 7(9):472·9月12日 · 周六论文农业人工智能与决策模型阅读 0
YOLO-Based Deep Learning Pipeline for Detecting Nutrient Deficiency Symptoms in Roselle (Hibiscus sabdariffa L.)
论文解读
73接近精选线
速览
用YOLO系列模型检测玫瑰茄钙钾铁磷缺乏的视觉症状。
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。
影响力15
信息增量20
专业深度17
信源权威13
时效性8
基于YOLO多版本对比的作物营养缺乏视觉检测研究，方法新颖、数据规模明确，对智慧农业病害诊断有参考价值，但属细分作物应用，影响范围有限。
原文摘要
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。
信源（1 个）