SGSNet:一种轻量级的深度学习模型,用于检测草生长阶段

科学领域:

• 农业技术 农业技术
• 计算机视觉 计算机视觉
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 精确检测草生长阶段对于优化作物生产和管理至关重要.
• 温室环境和密集种植对传统的监测方法构成挑战.
• 轻量级,便携式检测技术对于现代精密农业至关重要.

研究的目的:

• 开发一种轻量级的深度学习模型,以快速准确地检测草生长阶段.
• 创建一个全面的数据集,涵盖整个草生长周期,用于模型培训和验证.
• 设计一个资源高效的模型,适合在便携式设备上部署.

主要方法:

• 开发了SGSNet,这是一款轻量级的深度学习模型,配备了GrowthNet骨干,用于高效的特征提取.
• 实现了DySample自适应式上采样,以改进各种尺度对象的检测.
• 使用RepNCSPELAN4模块与iRMB轻量级注意力机制进行多尺度特征融合.
• 应用了Inner-IoU优化损失函数以增强收性和准确性.

主要成果:

• SGSNet实现了高性能,精度为98.83%,回忆率为99.45%,F1得分为99.14%,mAP@0.5.5的99.50%.
• 与较快的R-CNN,YOLOv10和RT-DETR.相比,该模型表现出卓越的性能.
• 由于SGSNet的计算成本低 (14.7 GFLOPs) 和参数数量小 (5,8600万),确保了资源效率.

结论:

• 由于SGSNet具有卓越的检测准确性,且计算要求显著降低,因此它适合于便携式农业应用.
• 该模型的效率和准确性为先进的智能农业管理系统铺平了道路.
• 未来的工作包括扩展SGSNet用于其他作物类型的生长阶段检测.