通过改进的对象检测算法来检测瓜子的成熟度,用于资源有限的环境

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:

• 水果的质量受到成熟度的重大影响,这是种植和收获的关键因素.
• 传统的手工检测和实验分析方法用于果实成熟度是低效和昂贵的.

研究的目的:

• 开发一种轻量级且高效的方法,使用改进的物体检测算法来检测瓜子的成熟度.
• 为培训和验证创建一个全面的瓜子数据集,捕捉现实世界的复杂性.

主要方法:

• 提出了一种新的物体检测方法,MRD-YOLO,集成MobileNetV3,Slim-neck和协调注意力.
• 从温室环境中开发了一个大规模的西瓜数据集,包括遮蔽,变光和重叠的水果.
• 利用轻量级的骨干和注意力机制来提高效率.

主要成果:

• 在定制数据集上,MRD-YOLO实现了97.4%的平均平均精度,证明了高精度.
• 该模型只需要4.8G FLOP和2.06M参数,与基线模型相比,显著降低了计算负载.
• 在外部数据集上达到85.9%的平均平均精度,表明强大的概括能力和实时推断.

结论:

• 开发的MRD-YOLO方法为西瓜成熟度检测提供了有效的解决方案.
• 创建的数据集和检测方法可以作为各种水果类型中检测水果成熟度的宝贵参考.