提高阳光干燥的海藻检测:推出K-YOLO,一种轻量级模型,具有更高的精度和回忆能力
Zhefei Xiao1, Ye Zhu1, Yang Hong1
1Fishery Machinery and Instrument Research Institute, Chinese Academy of Fishery Sciences, Shanghai 200092, China.
Sensors (Basel, Switzerland)
|March 28, 2024
概括
一个新的K-YOLOv5模型精确地检测晒干的海藻,克服了重叠等现场挑战. 这种轻量级模型显著提高了检测准确度,以实现高效的海鲜收获.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 海洋生物学 海洋生物学
背景情况:
- 是一种经济上重要的海洋蔬菜,中国依靠户外太阳干.
- 目前的海藻检测方法面临着重叠和阻碍现场视图的挑战.
- 有效的检测对于优化海藻采集和加工至关重要.
研究的目的:
- 开发一个轻量级和精确的检测模型,用于阳光干燥的海藻.
- 解决现有方法在检测重叠和受阻的海藻方面的局限性.
- 为了提高实时海藻识别的效率和准确性.
主要方法:
- 一个轻量级的K-YOLOv5模型被开发出来,基于YOLOv5-n.
- 改进包括增加了用于小物体的检测头,改进了I-CBAM注意力机制,子网络中的GSConv,以及优化的IoU算法.
- 一个数据集的2190无人机捕获的太阳干燥的海藻的图像被策划.
主要成果:
- 在自建数据集上,K-YOLOv5模型实现了88%的精度和78.4%的回忆.
- 这意味着与原始模型相比,精度提高了6.8%,回忆率提高了8.6%.
- 该模型符合实时识别太阳干燥海藻的要求.
结论:
- 增强的K-YOLOv5模型提供了一个强大的解决方案,用于精确地检测晒干的海藻.
- 该模型有效地应对重叠和阻塞等挑战,提高收获效率.
- 这项技术通过更准确的现场识别来支持海藻的经济意义.
更多相关视频
08:20Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
Published on: October 27, 2023
1.4K
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
10.6K
