EMA-YOLO:基于YOLOv8的未成熟黄桃的新型目标检测算法
Dandan Xu1, Hao Xiong2, Yue Liao1
1School of Software, Jiangxi Agricultural University, Nanchang 330045, China.
Sensors (Basel, Switzerland)
|June 27, 2024
概括
这项研究引入了EMA-YOLO,一种改进的物体检测模型,用于准确识别果园中的小黄色桃子. 该模型提高了果实计数和产量估计的精度,用于智能农业.
科学领域:
- 计算机视觉 计算机视觉
- 农业技术 农业技术
- 机器学习 机器学习
背景情况:
- 对于传统的果园管理方法来说,区分未成熟的黄色桃子与叶子是一个挑战.
- 拍摄角度和距离的变化进一步使准确的果实检测更加复杂.
- 需要自动化系统来提高包装,稀释和产量估计的效率.
研究的目的:
- 开发一个改进的目标检测模型,用于准确识别未成熟的黄色桃子.
- 增强YOLOv8模型在复杂的果园环境中用于小物体检测的能力.
- 为黄桃园的智能管理提供强大的解决方案.
主要方法:
- 创建了一个增强的样本空间,以改善模型培训的数据多样性.
- 集成了一个EMA注意力机制模块来编码全球信息和聚合像素级特征.
- 一个160×160检测头和EIoU损失功能被纳入,以改善小目标的检测和减少错误.
主要成果:
- 与原始YOLOv8n模型相比,EMA-YOLO模型在mAP中表现出4.2%的改善.
- 与其他模型相比,观察到显著的mAP改进:30.1% (SDD),14.2% (Objectbox),15.6% (YOLOv5n) 和7.2% (YOLOv7n).
- 该模型在不同的照明和拍摄距离下表现良好,减少了错过的检测.
结论:
- EMA-YOLO模型在检测小黄色桃子方面取得了重大进展,其性能优于现有的方法.
- 这项技术为黄桃园的智能管理和产量预测提供了关键的技术支持.
- 改进的检测精度有助于更高效和精确的农业实践.
