YOLO-LitchiVar:細粒子のリッチの品種識別のための軽量で高精度の検出モデル

科学分野:

• コンピュータビジョン コンピュータビジョン
• 農業技術 農業技術について
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.

背景:

• 手動によるリッチの品種分類は非効率で主観的で,標準化が欠けている.
• リッチの品種を正確に特定することは,収穫後の管理と品質管理に不可欠です.

研究 の 目的:

• 細粒子のリッチの品種分類のための軽量で高精度のディープラーニングモデルを開発する.
• 自動化されたリッチ識別システムの効率と正確性を向上させる.

主な方法:

• 12種類の一般的なリッチの画像データセットを構築しました.
• 提案されたYOLO-LitchiVarは,DSC3k2,C2PSA,ECAの注意モジュールを含むYOLOv12ベースのモデルです.
• モデルの複雑性,機能表現,差別的パフォーマンスを最適化しました.

主要な成果:

• YOLO-LitchiVarは94.4%のmAP50-95を達成し,ベースラインのYOLOv12を0.8%上回った.
• 標準のYOLOv12.8と比較して,モデルのパラメータを14.1%削減し,計算コストを13.8%削減しました.
• 挑戦的な品種のリコール率が大幅に改善され,同様のタイプ間の誤分類率が低下しました.

結論:

• YOLO-LitchiVarは,インテリジェントなリッチの品種識別のための効率的で正確なソリューションを提供します.
• モデルの軽量な設計により,農業用アプリケーションのモバイル展開に適しています.
• この研究は,世界的に適用可能な自動フルーツ分類技術を進歩させています.