RE-YOLO:一个果挑选检测算法,融合了感受场注意力卷积和高效的多尺度注意力

科学领域:

• 计算机视觉 计算机视觉
• 机器人技术 机器人技术 机器人技术
• 农业技术 农业技术

背景情况:

• 机器人果采摘需要高效准确的检测算法.
• 目前的算法在密集的果实分布和封闭方面扎.
• 在资源有限的边缘设备上部署高精度模型具有挑战性.

研究的目的:

• 为机器人采摘开发一个改进的果检测算法 (RE-YOLO).
• 在密集和封闭的场景中提高准确性和效率.
• 为了实现在边缘设备上部署,具有有限的计算资源.

主要方法:

• 在脊椎和部网络中引入了感受场注意力卷积 (RFAConv).
• 开发了一个EMA_C2f模块,用于统一的空间语义特征分布和改进的遮蔽歧视.
• 集成了Wise Intersection over Union (WIOU) 损失功能,以加速优化和更好地检测不同的目标大小.

主要成果:

• 与YOLOv8.8相比,RE-YOLO在精度 (+2%),回忆 (+2.1%),mAP@0.5 (+2.7%) 和mAP@0.5-0.95 (+3.9%) 中表现出显著的改进.
• 与YOLOv5相比,RE-YOLO的精度提高了4%,回忆率提高了1.9%,mAP@0.5提高了1.7%,mAP@0.5提高了3%.
• 该算法有效地解决了密集水果分布和封闭的挑战.

结论:

• RE-YOLO为机器人采摘中的果检测提供了一种先进而实用的解决方案.
• 提议的改进提高了模型识别精度和计算效率.
• 该算法适合在边缘设备上部署,从而推进自动收获.