相关实验视频
Updated: Jun 17, 2025

11:02
Fruit Volatile Analysis Using an Electronic Nose
Published on: March 30, 2012
21.3K
一个轻量级的改变颜色的西瓜成熟度检测算法,基于模型修剪和知识蒸:利用扩展的残留和多选路径聚合
Guojun Chen1, Yongjie Hou1, Haozhen Chen1
1Qingdao Institute of Software, College of Computer Science and Technology, China University of Petroleum (East China), Qingdao, China.
Frontiers in plant science
|August 7, 2024
概括
这项研究引入了改进的YOLOv8s网络,以有效地检测变色的西瓜,提高收获. 优化的模型显著降低了尺寸和计算成本,同时保持了高精度.
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:
- 改变颜色的西瓜提供了双重装饰和食物价值.
- 这些瓜子的有效收获对于农业生产率至关重要.
- 目前的检测模型在农业设备的部署成本和效率方面面临挑战.
研究的目的:
- 开发一种高效,轻量级的物体检测模型,用于改变颜色的瓜子收获.
- 为了提高在各种成熟阶段检测变色西瓜的准确性和速度.
- 为了减少农业设备检测模型的计算和存储要求.
主要方法:
- 一个改进的YOLOv8s网络,包含Dilated Wise Residual (DWR) 和Dilated Reparam Block (DRB),用于增强功能融合.
- 一个多层次的融合特征金字塔网络 (HS-PAN) 旨在丰富语义和本地化信息.
- 模型修剪 (层级适应性稀疏修剪) 和知识蒸 (块相关知识蒸) 用于模型简化和准确性恢复.
主要成果:
- 改进的模型在改变颜色的西瓜数据集上实现了96.1%的平均平均精度 (mAP0.5).
- 与标准YOLOv8s相比,检测速度增加了9.1%.
- 模型参数从6.47M减少到1.14M,FLOP从22.8G减少到7.5G,模型大小从12.64MB减少到2.47MB.
结论:
- 提议的增强YOLOv8s网络显著提高了检测效率,并减少了变色西瓜的模型复杂性.
- 该方法在复杂的场景中显示出与其他轻量级网络相比的优越性能.
- 这项研究为自动采摘变色西瓜提供了坚实的技术基础.

