YOLO-SDL:基于改进的YOLOv8n模型的轻量级小麦粒检测技术
Zhaomei Qiu1, Fei Wang1, Weili Wang1
1College of Agricultural Equipment Engineering, Henan University of Science and Technology, Luoyang, Henan, China.
Frontiers in plant science
|December 5, 2024
概括
一个新的深度学习模型,YOLO-SDL,使用先进的架构高效地检测小麦谷物质量. 这种人工智能解决方案提高了农业自动化的高精度和速度,即使在有限的环境中.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 小麦谷物质量对于食品安全和经济稳定至关重要.
- 传统的小麦粒检测方法是低效的.
- 深度学习为准确的谷物识别提供了先进的解决方案.
研究的目的:
- 开发一个改进的,高效的深度学习模型 (YOLO-SDL) 用于小麦粒检测.
- 为了提高检测速度和准确性,同时保持轻量级的模型.
- 为农业自动化提供技术解决方案.
主要方法:
- 构建了一个高质量的小麦谷物数据集,具有不同的谷物条件.
- 应用数据增强技术来增加数据集的复杂性.
- 使用ShuffleNetV2骨干和DWConv开发了YOLO-SDL模型,在子中使用LSKA机制.
主要成果:
- 在小麦粒检测方面,YOLO-SDL实现了卓越的性能.
- 该模型显示了高精度 (P=0.942) 和回忆 (R=0.903).
- 实现了0.965的mAP50和0.859的mAP50-95,计算复杂度低.
结论:
- YOLO-SDL模型提供了轻量级设计和性能优化的高效平衡.
- 在小麦粒检测方面,ShuffleNetV2,DWConv和LSKA结构被证明是有效的.
- 该模型是农业自动化和作物检测的可靠参考.
