在温室环境中增强番茄检测:基于S-YOLO的轻量级模型具有高精度

科学领域:

• 计算机视觉和机器人技术
• 农业自动化 农业自动化
• 机器学习用于农业

背景情况:

• 自动化番茄收获需要在复杂的温室环境中精确有效地识别番茄.
• 现有的物体检测算法在准确性和速度上扎,特别是对于封闭或小的西红.

研究的目的:

• 开发一种轻量级物体检测模型 (S-YOLO),用于在温室中增强番茄识别.
• 为了提高检测小型和封闭的西红的准确性和速度,用于机器人收获.

主要方法:

• 提出了S-YOLO,这是一款基于YOLOv8s的轻量级模型,结合了GSConv_SlimNeck结构来减少参数.
• 实施了改进的α-SimSPPF结构和增强的β-SIoU算法,以提高检测和识别精度.
• 集成了一个SE注意力模块,以捕捉更多代表性番茄特征.

主要成果:

• S-YOLO实现了96.60%的精度,92.46%的mAP和74.05 FPS的检测速度,超过了以前的模型.
• 该模型在检测封闭和小番茄方面取得了显著的改进.
• S-YOLO具有轻量级设计,只有9.11M的参数,确保快速检测速度.

结论:

• 在农业环境中,S-YOLO模型为番茄物体检测提供了一个轻量级和高效的解决方案.
• 它的性能使其适合茄采摘机器人的视觉系统,支持自动收获.
• 在设施农业环境中为移动边缘计算提供技术支持.