基于改进的YOLOv5的轻量级高地大麦检测
Minghui Cai1,2, Hui Deng3, Jianwei Cai1,2
1College of Forestry, Fujian Agriculture and Forestry University, Fuzhou, 350002, Fujian, China.
Plant methods
|March 25, 2025
概括
这项研究引入了一种轻量级的YOLOv5模型,用于使用无人机图像准确检测高原大麦尖峰. 改进的模型提高了精度和回忆力,同时大大降低了实时农业应用的计算负载.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
背景情况:
- 准确评估高地大麦 (Hordeum vulgare L.) 密度对于优化种植至关重要.
- 无人机图像分析的挑战包括重叠的尖峰和高计算需求,阻碍实时检测.
- 现有的物体检测模型可能没有足够的轻量级或准确的现场部署.
研究的目的:
- 开发一个改进的,轻量级的YOLOv5模型,以从无人机图像中有效和准确地检测高原大麦尖.
- 为了减少模型复杂性和实时处理的计算要求.
- 为了提高复杂背景和不同生长阶段的检测性能.
主要方法:
- 在脊柱和子网络中利用深度可分离卷积 (DSConv) 和幽灵卷积 (GhostConv).
- 集成了卷积块注意模块 (CBAM),以改善对目标对象的关注.
- 与基线YOLOv5n和其他主流物体检测算法对比,评估了模型的性能.
主要成果:
- 在精度 (92.2%) 和回忆 (86.2%) 中取得了显著的改进,F1得分为0.892.2.
- 该模型在成长和成熟阶段表现出高准确性 (93.1%).
- 与YOLOv5n相比,参数减少了70.6%,FLOP减少了75.6%,从而实现了轻量化部署.
- 在准确性和效率方面表现优于更快的R-CNN,Mask R-CNN,RetinaNet,YOLOv7和YOLOv8.
结论:
- 改进的轻量级YOLOv5模型为高地大麦尖峰检测提供了卓越的检测准确性和计算效率.
- 该模型的复杂性降低,使其更容易在农业管理系统中实时部署.
- 需要进一步的研究来解决不同照明条件的局限性以及对更广泛的概括性依赖注释的局限性.
