相关实验视频
Updated: May 26, 2025
11:02
Fruit Volatile Analysis Using an Electronic Nose
Published on: March 30, 2012
21.2K
ASD-YOLO:在复杂的场景中检测咖啡果成熟的轻量级网络
Baofeng Ye1,2, Renzheng Xue1,2, Haiqiang Xu1,2
1School of Computer and Control Engineering, Qiqihar University, Qiqihar, China.
Frontiers in plant science
|February 25, 2025
概括
本研究介绍了ASD-YOLO,这是一个改进的AI模型,用于检测咖啡果成熟度,提高收获效率和准确性. 这种新方法有效地识别了水果的成熟程度,即使有遮和复杂的背景.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 目前咖啡果成熟度评估依赖于手动视觉检查,这是低效和劳动密集型的.
- 咖啡果检测的挑战包括叶子和果实之间的遮以及复杂的背景.
研究的目的:
- 开发一种改进的咖啡果成熟度检测方法,使用一个改进的YOLOv7模型.
- 提高识别咖啡果成熟度的效率和准确性,以便进行智能收获.
主要方法:
- 拟议的ASD-YOLO模型整合了L-Norm注意力机制,以增强特征提取.
- 在脊柱和头部内嵌有SPD-Conv,以提高对封闭的小物体和低分辨率图像的检测.
- 用DySample取代标准的上采样,以提高计算效率和更好的图像分辨率.
主要成果:
- 在咖啡数据集上,ASD-YOLO表现强,回忆率为78.4%,精度为69.8%,mAP为80.1%.
- 该模型比标准YOLOv7模型显著改进,回忆率增加了2.0%,精度增加了1.1%,mAP增加了2.1%.
- 在复杂的环境中,ASD-YOLO有效地处理具有密集分布和相互封闭的咖啡果.
结论:
- ASD-YOLO模型提供了一种更有效,更准确的解决方案,用于在各个阶段识别咖啡果成熟度.
- 这项技术为开发智能咖啡果收获系统提供了宝贵的技术参考.
