YOLOv8-CML:一种轻量级的目标检测方法,用于在智能农业中改变颜色的瓜子成熟
Guojun Chen1, Yongjie Hou2, Tao Cui1
1Qingdao Institute of Software, College of Computer Science and Technology, China University of Petroleum (East China), Qingdao, 266580, China.
Scientific reports
|June 22, 2024
概括
一个新的轻量级模型,YOLOv8-CML,增强了改变颜色的西瓜检测,用于智能农业. 它提供了更小的尺寸和更快的速度,非常适合机器人应用.
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:
- 改变颜色的西瓜是装饰性和食用水果.
- 当前的智能农业设备面临着缓慢的检测速度和高部署成本的挑战.
研究的目的:
- 提出一种轻量级检测模型,YOLOv8-CML,以解决现有的改变颜色的西瓜检测系统的局限性.
- 提高检测速度,降低部署成本,提高智能农业的识别准确性.
主要方法:
- 引入了一种轻量级的Faster-Block,以创建更轻的C2f结构,减少计算和内存访问.
- 在脊柱中集成了一个轻量级的C2f模块与EMA模块,以实现高效的多尺度空间信息收集和减少背景干扰.
- 使用共享参数重新设计检测头,以简化模型.
- 利用α-IoU损失函数与α超参数来改善预测和实际重叠的测量,并提高识别精度.
主要成果:
- 与YOLOv8n.相比,YOLOv8-CML模型显示参数减少了42.9%,计算减少了51.8%.
- 模型大小减少到3.7 MB,推断速度提高了6.9%.
- 在0.5的平均精度 (mAP@0.5),准确度和每秒 (FPS) 中观察到改善.
结论:
- YOLOv8-CML模型在大小和计算方面提供了显著的减少,同时提高了检测性能.
- 这种轻量级的模型为智能农业中部署变色的瓜子采摘机器人提供了宝贵的参考.
