YO-AFD:一种改进的基于YOLOv8的深度学习方法,用于快速准确地检测果花
Dandan Wang1,2, Huaibo Song3,4,5, Bo Wang6
1College of Communication and Information Engineering, Xi'an University of Science and Technology, Xi'an, China.
Frontiers in plant science
|March 27, 2025
概括
一种新的果花检测方法,YO-AFD,可以准确地识别花朵,尽管存在困难的条件,如遮蔽和不同的照明. 这种轻量级模型提供了高精度的实时果实产量估计.
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
- 机器学习 机器学习
背景情况:
- 精确的果花检测对于作物管理,产量预测和评估果树健康至关重要.
- 现有的方法与可变的照明,花封闭,聚类和形态多样性作斗争.
研究的目的:
- 开发一种改进的果花检测方法 (YO-AFD),克服当前的检测挑战.
- 为了增强特征提取和融合,以实现更强大的果花识别.
主要方法:
- 提出了基于YOLOv8进行果花检测的改进的YO-AFD方法.
- 在C2f模块 (C2f-IS) 中引入了一种新的注意模块 (ISAT),将反向剩余移动块 (IRMB) 和空间通道协同注意 (SCSA) 集成到C2f模块中.
- 利用基于Focaler Intersection over Union (FIoU) 的回归损失函数来平衡对不同目标的关注.
主要成果:
- YO-AFD模型实现了高精度,F1得分为88.6%,mAP50得分为94.1%,mAP50-95得分为55.3%.
- 证明有效检测小,封闭的和形态多样化的果花.
- 实现了轻量级模型大小 (6.5 MB) 和快速检测速度 (5.3 ms/图像).
结论:
- 在实时果花检测方面,YO-AFD方法显著优于比较模型.
- 它的精度,速度和轻量级设计使其适合于便携式果花检测系统.
- 为精准农业和水果产量估计提供了一个有前途的解决方案.
