BHC-YOLOV8:改进了基于YOLOv8的BHC点检测模型,用于在现实场景中检测茶叶病和缺陷
BaiShao Zhan1, Xi Xiong1, Xiaoli Li2
1School of Electrical and Automation Engineering, East China Jiaotong University, Nanchang, China.
Frontiers in plant science
|December 17, 2024
概括
本研究引入了一种改进的YOLOv8模型,用于检测茶叶疾病和缺陷,提高质量控制的准确性和效率. 新模型解决了诸如小目标和复杂背景等挑战,提高了检测性能.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 茶叶的质量和产量受到疾病和缺陷的影响,需要有效的检测方法.
- 目前的手动检查方法受到安全问题,人员经验和速度的限制.
- 视觉检查技术提供了一个解决方案,以克服手动茶叶质量评估的局限性.
研究的目的:
- 开发一种先进的视觉检查系统,用于检测茶叶疾病和缺陷.
- 在生产环境中提高茶叶质量评估的准确性和效率.
- 在茶叶质量检查中克服检测小目标,隐藏物体和复杂背景的挑战.
主要方法:
- 一个基于YOLOv8的新型网络被开发出来,结合了动态稀疏注意力机制 (Bi Former) 进行高效的特征过.
- 哈尔波点被集成到下方采样模块中,以增强图像处理和重建.
- 使用多头关注和跳过连接的功能融合网络被设计为并行处理和强大的功能集成.
主要成果:
- 拟议的模型实现了94.5%的mAP0.5,比主流模型增加了8%.
- 与现有的主流模型相比,信心水平增加了7.1%.
- 废弃性研究表明,特征融合网络减少了10.6GFlops的计算复杂性,并提高了2.7%的可靠性和3.2%的mAP0.5.
结论:
- 开发的基于YOLOv8的网络有效地解决了检测茶叶疾病和缺陷的挑战.
- 新的注意力机制和功能融合网络显著提高了检测性能和计算效率.
- 这项技术为自动化和可靠的茶叶质量检查提供了有前途的解决方案.
