一个轻量级的网络,用于改进基于YOLOv5s的小麦耳的检测和计数
Xiaojun Shen1, Chu Zhang1, Kai Liu1
1School of Information Engineering, Huzhou University, Huzhou, China.
Frontiers in plant science
|January 2, 2024
概括
本研究介绍了一种轻量级的深度学习模型,用于实时检测和计数小麦耳朵. 优化的YOLOv5s模型在减少计算资源的情况下实现了高精度,在有限的硬件上实现了精准农业.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 准确的小麦耳识别对于产量预测至关重要,但当前的深度学习方法对于实时现场应用来说是计算密集的.
- 现有的模型面临诸如大参数量,重型号重量和缓慢处理速度等挑战,阻碍了对资源有限的设备的部署.
- 对于适合在小麦田实时识别的轻量级小麦耳朵检测方法有很大的需求.
研究的目的:
- 开发一种轻量级和高效的深度学习模型,用于实时检测和计数小麦耳朵.
- 优化YOLOv5s模型以减少计算复杂性和在有限的硬件上提高性能.
- 为了提高模型的准确性和稳定性,用于各种小麦耳的变化和环境条件.
主要方法:
- 提出了一种基于YOLOv5s的轻量级小麦耳朵检测方法,并将其与ShuffleNetV2网络进行优化,以减少参数和计算复杂性.
- 引入了内容意识重组特征 (CARAFE) 作为特征金字塔中的轻量级上采样操作员,以保持检测性能.
- 整合了一个动态目标检测头,以适应地调整检测策略以适应小麦耳的尺寸,形状和方向的变化.
主要成果:
- 最优化的模型实现了2.9 MB的重量,2.5 * 10^9 FLOP,平均平均精度 (mAP) 为94.8%.
- 全球数据集的线性拟合确定系数 (R^2) 为0.94,本地实验场的线性拟合确定系数为0.97,这表明预测和实际计数之间存在很强的一致性.
- 该模型在全球和本地数据集上进行测试时显示出强度和概括能力.
结论:
- 开发的轻量级模型有效地满足了实时精确计数小麦耳朵的需求.
- 优化的方法显著降低了计算负载,使其适用于嵌入式系统和精密农业中的移动设备.
- 这项研究有助于推进实时农业监测和产量预测技术.
