基于改进的YOLOv5s的基础上,水培生菜缺陷叶子的识别
Xin Jin1,2, Haowei Jiao1, Chao Zhang1
1College of Agricultural Equipment Engineering, Henan University of Science and Technology, Luoyang, China.
Frontiers in plant science
|November 15, 2023
概括
该EBG_YOLOv5模型提高了水培菜叶子缺陷叶子检测的准确性和效率. 这种智能系统可以提高收获的菜的质量控制,比现有的算法提供更好的性能.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 确保水培菜收获后的质量和价值至关重要.
- 准确有效地检测有缺陷的叶子是一个重大挑战.
研究的目的:
- 为了提高检测精度和效率的缺陷的叶子在水培菜.
- 为此任务开发一个优化的深度学习模型.
主要方法:
- 一个图像采集系统被设计用于收集有缺陷的生菜叶的图像.
- 提出了EBG_YOLOv5模型,优化了YOLOv5的ECA注意力,双向特征金字塔和GSConv模块.
- 为了验证模型的性能,进行了除和比较实验.
主要成果:
- 与YOLOv5s相比,EBG_YOLOv5实现了更高的精度 (0.1%),回忆 (2.0%) 和mAP0.5 (2.6%).
- 模型大小,GFLOPs和参数分别减少了15.3%,18.9%和16.3%.
- EBG_YOLOv5 显示出比其他检测算法更高的精度和更小的模型大小.
结论:
- 该EBG_YOLOv5模型显著提高了检测缺陷的叶子在水培生菜.
- 这项技术为智能,非破坏性的菜分类设备提供了坚实的基础.
更多相关视频
06:35Semi-High Throughput Screening for Potential Drought-tolerance in Lettuce Lactuca sativa Germplasm Collections
Published on: April 17, 2015
9.1K
09:31Author Spotlight: High-Throughput In Vivo Leaf Inoculation for Accelerating Disease Resistance Screening in Poplar Hybrid Breeding
Published on: September 20, 2024
708
