茶叶YOLOv8s:基于深度学习和计算机视觉的茶叶芽检测模型
1School of Automation, Hangzhou Dianzi University, Hangzhou 310083, China.
Sensors (Basel, Switzerland)
|July 29, 2023
概括
一个新的Tea-YOLOv8s模型增强了用于机械收获的茶叶芽检测. 这种改进的模型在复杂的环境中实现了更高的精度,为自动茶叶采摘铺平了道路.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
背景情况:
- 机械化选择性收获茶叶需要精确的茶叶芽检测.
- 茶叶田中的复杂背景挑战了现有的检测模型,降低了精度.
研究的目的:
- 开发一种新的深度学习模型,Tea-YOLOv8s,用于准确检测茶叶芽.
- 在具有挑战性的视觉条件下提高茶叶芽识别的精度和效率.
主要方法:
- 利用数据增强来提高图像质量和数量.
- 整合可变形卷曲,注意力机制,以及改进的空间金字塔集成到YOLOv8s架构中.
- 与其他主流YOLO模型对比提议的Tea-YOLOv8s模型.
主要成果:
- 茶叶-YOLOv8s模型实现了88.27%的平均精度.
- 该模型表明推断时间为37.1 ms.
- 拟议的模型显示了与现有的YOLO检测模型相比的显著改进.
结论:
- 茶叶YOLOv8s模型为茶叶芽提供了增强的检测精度,尽管参数和计算略有增加.
- 该模型显示了在自动茶叶收获设备中应用的巨大潜力.
- 进一步的研究可以探索对现实世界部署的优化.
