改进了CSW-YOLO模型,用于检测苦瓜表型

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 生物技术是生物技术.

背景情况:

• 苦瓜 (Momordica charantia) 是一种有价值的作物,由于其药用和营养特性,市场需求日益增加.
• 准确识别苦瓜生殖质对于育种计划至关重要,但传统方法缓慢且不准确.
• 需要自动化和智能化的解决方案来检测苦瓜表型,以提高效率和准确性.

研究的目的:

• 开发一种自动化和智能化的苦瓜表型检测模型.
• 为了提高苦瓜生殖质识别的准确性和效率.
• 为农业的视觉检测技术提供技术支持.

主要方法:

• 开发了一种新的苦瓜表型检测模型,命名为CSW-YOLO.
• 将ConvNeXt V2模块集成到YOLOv8骨干中,以改善功能聚焦.
• 整合了SimAM注意力机制,以提高识别精度,而不会增加参数.
• 使用WIoUv3作为界限框损失函数,以实现更快的收和更好的定位.
• 在一个全面的苦瓜图像数据集上训练和测试模型.

主要成果:

• CSW-YOLO模型实现了高性能指标:94.6%的精度,80.6%的回忆,96.7%的mAP50和87.04%的F1得分.
• 与原来的YOLOv8模型相比,在精度 (8.5%),mAP50 (11.1%) 和F1得分 (4%) 中显著改进.
• 热图分析和废除研究证实了增强的目标特征焦点,减少错误检测,以及改进的概括.
• 对比测试显示,CSW-YOLO在苦瓜表型检测方面表现优于其他主流深度学习模型.

结论:

• CSW-YOLO模型提供了一种准确可靠的方法来识别苦瓜表型.
• 开发的模型增强了农业表型检测中的自动化和智能化.
• 这项研究为农业中的视觉检测技术提供了宝贵的技术支持,也适用于其他作物.