根据YOLOv8改进的多尺寸,多目标和3D位置检测网络,用于基于YOLOv8的开花的中国白菜
Yuanqing Shui1, Kai Yuan1, Mengcheng Wu1
1College of Engineering, South China Agricultural University, Guangzhou 510642, China.
Plants (Basel, Switzerland)
|October 16, 2024
概括
一个改进的YOLOv8算法准确地检测了开花的中国白菜的成熟度和机器人收获的3D位置. 这种增强的网络提供了强大的实时性能,提高了检测准确性和降低了参数.
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:
- 在农业中自主收获需要精确的植物检测和定位.
- 挑战包括密集的种植,小目标和在自然田间条件下封闭.
- 精确的成熟度和3D定位开花的中国白菜 (Brassica rapa var. 在机器人收获过程中,中国植物 (Chinensis) 是至关重要的.
研究的目的:
- 开发一种改进的物体检测和3D定位系统,用于开花的中国白菜.
- 增强YOLOv8网络,以更好地提取特征,实现多尺度融合和小物体检测.
- 集成实时跟踪和深度数据,以实现准确的现场定位.
主要方法:
- 拟议的YOLOv8-改进的网络与C2F-MLCA模块用于空间特征提取.
- 集成的P2检测层和BiFPN用于增强的多尺度特征融合.
- 利用Wise-IoU和Inner-IoU作为一种新的损失函数,以优化检测.
- 集成的ByteTrack用于视频跟踪和RGB-D摄像头用于3D定位.
主要成果:
- YOLOv8-Improved在成熟度检测方面实现了86.5%的精度和86.0%的回忆.
- 与原来的YOLOv8网络相比,mAP50和mAP75的改进率分别为2.9%和4.7%.
- 改进后的网络将参数降低了25.43%,同时保持了高性能.
结论:
- 增强的YOLOv8算法展示了对开花的中国白菜的强大和实时检测能力.
- 该系统为非结构化农场环境中的自动收获管理提供了重要的技术支持.
- 在特征提取,融合和损失功能的改进有助于卓越的检测准确性.
