SFHG-YOLO:一种简单的实时小物体检测方法,用于估计无人机的产量
Guoyan Yu1,2,3, Tao Wang1, Guoquan Guo1
1School of Mechanical Engineering, Guangdong Ocean University, Zhanjiang 524088, China.
Sensors (Basel, Switzerland)
|November 25, 2023
概括
这项研究引入了SFHG-YOLO,一种用于准确地从无人机图像中计算芽的新方法,以改善产量估计. 该模型擅长检测小,密集的物体,提高农业技术.
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:
- 估计产量需要使用无人机 (UAV) 摄影精确计数芽.
- 现有的算法在实时性能和准确性方面扎,在无人机图像中检测像芽这样的小物体.
研究的目的:
- 提出SFHG-YOLO方法,一种轻量级的网络模型,以改善无人机视觉中小型,高密度的芽的检测.
- 通过改善空间注意力和上下文信息融合,提高小物体的检测精度和弹性.
主要方法:
- 利用坐标注意模块和MobileNetV3来构建一个轻量级的网络.
- 开发了增强空间注意力和适应性上下文信息融合模块,以改善对微小物体的感知.
- 使用YOLOv5s作为基线进行比较.
主要成果:
- 与YOLOv5s相比,SFHG-YOLO模型取得了显著的改进:mAP@0.5的7.4%和mAP@0.5:0.95的31%与YOLOv5s相比.
- 在检测高密度小物体方面表现出卓越的性能,考虑到模型大小和计算成本.
结论:
- SFHG-YOLO方法提供了一种可靠和准确的方法来检测小芽.
- 这种技术提供了一种有价值的工具,可以通过基于无人机的物体检测来改进产量估计.
