基于FC-DETR的复杂环境中的果识别
1Key Laboratory of Tarim Oasis Agriculture, Ministry of Education, College of Information Engineering, Tarim University, China.
Heliyon
|February 20, 2025
概括
一个新的FC-DETR模型在复杂的农业环境中提高了果识别,这对于由于劳动力短缺而导致的自动收获至关重要. 这项技术提高了全球果行业的效率和可持续性.
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
- 机器学习 机器学习
背景情况:
- 新疆的果种植面临劳动力短缺,推动了对自动收获的需求.
- 目前的卷积神经网络 (CNN) 模型因全球特征捕获有限而难以应对复杂的环境.
- 准确而强大的果识别对于实际的自动收获解决方案至关重要.
研究的目的:
- 开发一个实时物体检测模型,在复杂的环境中准确识别果.
- 克服现有的CNN模型在捕捉全球特征方面的局限性.
- 通过先进技术提高果行业的效率和可持续性.
主要方法:
- 提出了FC-DETR (功能增强的上下文检测变压器) 模型.
- 整合了FEMA-BasicBlock剩余模块,用于增强功能处理.
- 集成了CAFM跨尺度自适应特征融合模块,用于多尺度特征选择.
- 利用内流失功能来提高检测准确度.
主要成果:
- 在复杂的背景下,FC-DETR模型实现了87%的果识别准确度.
- 获得了82%的召回率,证明了有效的检测.
- 该模型保持了适合实际应用的轻量级设计.
结论:
- FC-DETR模型为自动果收获技术提供了显著的进步.
- 这项研究有助于提高果行业的效率和可持续性.
- 拟议的模型在具有挑战性的环境中表现出高精度和稳定性.
