一个改进的YOLOv7模型基于Swin变压器和三叉金字塔网络,用于准确的番茄检测

科学领域:

• 计算机视觉和机器学习
• 农业机器人农业机器人
• 图像处理 图像处理

背景情况:

• 精确的果实检测对于自动采摘果实至关重要,但环境挑战,如变化的照明和遮蔽,阻碍了性能.
• 现有的果实检测模型与现实世界的复杂性作斗争,影响果实收获机器人的可行性.
• 农业机器人的商业化与不同条件下的检测精度的进步直接相关.

研究的目的:

• 开发一种改进的果实检测模型,以应对复杂环境条件下的挑战.
• 为了提高机器人收获应用程序的自动番茄检测的准确性和稳定性.
• 为卓越的物体检测性能引入新的架构组件和损失函数.

主要方法:

• 拟议的YOLO-SwinTF模型,是YOLOv7的改编,包含Swin变压器 (ST) 块,用于增强全球信息捕获.
• 三叉金字塔网络 (TPN) 的整合,以改善超越标准PANet的功能地图通信和处理.
• 引入Focaler-IoU损失函数,根据样本难度动态调整焦点,优化训练.

主要成果:

• 在番茄数据集上,YOLO-SwinTF模型实现了高检测指标:96.27%的回忆,96.17%的精度,96.22%的F1得分和98.67%的AP.
• 与原始YOLOv7模型相比,表现出显著的性能改进,在回忆,精度,F1得分和AP方面取得了显著的收益.
• 与其他最先进的方法相比,显示出更高的精度,同时保持竞争力的检测速度和对照明和阻塞的强大稳定性.

结论:

• YOLO-SwinTF模型有效地解决了复杂农业环境中现有的水果检测系统的局限性.
• 斯温变压器块和TPN的集成显著提高了该模型处理远程依赖和功能通信的能力.
• 拟议的模型显示了在自动化番茄收获中实际应用的巨大潜力,提供了高精度和稳定性.