相关实验视频
Updated: Jun 3, 2025
10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
8.5K
CabbageNet:深度学习用于高精度的白菜细分在复杂的设置自动收获机器人的机器人
Yongqiang Tian1, Xinyu Cao1,2,3, Taihong Zhang1,2,3
1School of Computer and Information Engineering, Xinjiang Agricultural University, Urumqi 830052, China.
Sensors (Basel, Switzerland)
|January 8, 2025
概括
这项研究引入了一个增强的YOLOv8n-seg网络,用于在无人收获中精确的实时卷心菜头部细分. 改进的模型大大减少了损害和错过的收获,提高了农业的效率.
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:
- 无人收获需要准确的实时细分作物头部.
- 田间条件和作物变异性对精确的细分构成挑战.
- 减少收获损害和产量损失对于效率至关重要.
研究的目的:
- 开发一个改进的YOLOv8n-seg网络,用于精确的白菜头细分.
- 为了提高自动化卷心菜收获系统的准确性和效率.
- 为了应对复杂的生长环境和卷心菜形态所带来的挑战.
主要方法:
- 修改了 YOLOv8n-seg 网络的 C2f 模块.
- 集成的可变形注意力与动态采样点.
- 引入了ADown模块,以最大限度地减少在下采样过程中的细节损失.
- 包含基于PAFPN的小物体增强金字塔,用于小目标检测.
主要成果:
- 获得了92.2%的面具精度,87.2%的面具回忆率和95.1%的面具mAP50的面具精度.
- 保持了6.46 MB的紧型号尺寸.
- 与主流实例细分模型相比,证明了更高的准确性和效率.
结论:
- 提议改进的YOLOv8n-seg网络有效地解决了对野外种植的白菜进行细分的挑战.
- 该模型可在复杂的环境中实现实时,精确的卷心菜收获.
- 这些改进有助于减少损害和遗漏收获率,提高整体效率.
