基于YOLOv8的复杂现场环境中查的检测方法的研究

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:

• 农业中的自动化操作,如的收获,需要强大的物体检测系统.
• 复杂的现场条件,如植物重叠,遮蔽和可变的照明,对当前的检测模型构成重大挑战.

研究的目的:

• 在具有挑战性的野外环境中选择和增强的最佳物体检测模型.
• 为了提高检测的精度,回忆和平均平均精度 (mAP),同时降低计算负载.

主要方法:

• 使用YOLOv8架构作为基础进行了比较实验.
• 通过整合BiFPN,LSKNet,FasterNet等模块以及各种注意力/轻量级模块 (EMBC,EMSCP,DAttention,MSBlock,Faster) 来增强YOLOv8模型.
• 优化包括调整损失函数 (CIoU,内部CIoU,内部GIoU,内部_mpdiou) 和缩放因子.

主要成果:

• 优化的YOLOv8模型实现了79.0%的精度,75.3%的回忆率和83.2%的mAP.
• 与基准模型相比,性能改进包括精度提高1.1%,回忆提高4.3%,mAP提高1.6%.
• 计算效率得到了提高,GFLOP减少了13.6%,模型大小减少了33.3%,每秒率高达301.4.4.

结论:

• 改进的YOLOv8模型能够在复杂的现场环境中准确快速检测.
• 这个优化的模型为开发智能采集设备提供了有价值的数据和实验参考.
• 该研究强调了集成先进模块和优化损失功能的有效性,用于农业计算机视觉任务.