DPD-YOLO:基于YOLOv8结合注意力机制的复杂环境中的密集果目标检测算法
Cong Lin1, Wencheng Jiang1, Weiye Zhao1
1School of Electronics and Information Engineering, Guangdong Ocean University, Zhanjiang, China.
Frontiers in plant science
|February 12, 2025
概括
一个新的DPD-YOLO (Dense-Pineapple-Detection YOU Only Look Once) 模型改进了基于无人机的在复杂领域的检测. 这种计算机视觉方法通过克服诸如水果封闭和复杂的背景等挑战来提高产量估计.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉 计算机视觉
- 深度学习是一种深度学习.
背景情况:
- 无人机和计算机视觉越来越多地用于农业产量估计.
- 使用无人机检测是具有挑战性的,因为果实被叶子和复杂的田野背景遮住.
- 现有的目标检测算法在复杂环境中与小,封闭的目标作斗争.
研究的目的:
- 开发一种改进的深度学习模型,用于在具有挑战性的农业环境中准确检测.
- 为了提高基于无人机的产量估计系统的性能.
主要方法:
- 拟议的DPD-YOLO (密度-松apple-检测你只看一次) 模型基于YOLOv8.
- 集成的坐标注意力机制用于特征提取和双向特征金字塔网络 (BiFPN) 用于多尺度特征融合.
- 用RT-DETR (实时检测变压器) 取代了YOLOv8检测头,结合了注意力机制,并使用了Focaler-IoU来改进小目标检测.
主要成果:
- 与主流模型相比,DPD-YOLO在复杂的,封闭的田中表现出优越的性能.
- 达到62.0%的平均平均精度 (mAP@0.5),比YOLOv8.6有6.6%的改进.
- 在精度 (2.7%),回忆 (13%),和F1得分 (10.3%) 中显著改善.
结论:
- DPD-YOLO模型有效地解决了当前用于在复杂背景中检测封闭的算法的局限性.
- 这种增强的模型为精准农业中基于无人机的产量准确估计提供了一个有希望的解决方案.
