MLG-YOLO:在复杂的结构化果园环境中实时准确检测和定位冬季朱花的模型
Chenhao Yu1, Xiaoyi Shi1, Wenkai Luo1
1College of Optical, Mechanical and Electrical Engineering, Zhejiang A&F University, Hangzhou 311300, China.
研究人员开发了一种MobileVit-Large选择性内核-GSConv-YOLO (MLG-YOLO) 模型,用于准确地检测和定位冬季朱. 这种人工智能模型通过精确识别水果的位置和特征,显著提高了收获机器人的效率.
科学领域:
- 农业机器人农业机器人
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 机械化收获冬季朱花需要精确的果实检测和定位.
- 在不同的照明和叶子阻塞条件下,现有的方法可能缺乏准确性.
研究的目的:
- 开发和验证一个高效的人工智能模型,用于检测和定位冬季朱,用于机器人收获.
- 为了提高准确性和减少模型大小,用于实际的机器人应用.
主要方法:
- 创建了一个冬季朱树数据集,涵盖了各种照明和阻塞场景.
- 基于YOLOv8n的MobileVit-Large选择性内核-GSConv-YOLO (MLG-YOLO) 模型被提出,它集成了MobileViT,LSKblock和GSConv.
- 使用MLG-YOLO与RGB-D摄像头相结合,开发了一种3D定位方法.
主要成果:
- 与YOLOv8n.n.相比,MLG-YOLO模型实现了92.70%的平均平均精度 (mAP),参数减少了61.03%.
- 在实验室环境中,检测准确度达到100%,在结构化果园中达到92.82%.
- 实现了较低的绝对定位误差:4.20毫米 (X),4.70毫米 (Y) 和3.90毫米 (Z).
结论:
- MLG-YOLO模型提供了一个强大而高效的解决方案,用于冬季朱的检测和定位.
- 这项技术为开发自主冬季朱果收获机器人提供了重要的技术支持.
- 该模型的高精度和小尺寸使其适用于现实世界农业机器人系统.
更多相关视频
07:25Combining Histochemical Staining and Image Analysis to Quantify Starch in the Ovary Primordia of Sweet Cherry during Winter Dormancy
Published on: March 20, 2019
08:25Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment
Published on: May 7, 2019
相关概念视频
Design Example: Identifying the Locations of Monuments in the Field Using Global Positioning System Device
Optimal Foraging
Hybrid Zones
Field Application of Global Positioning System
Root-Locus Method
This system can be represented by a block...
Elastic Collisions: Case Study
