一个轻量级的trichosanthes kirilowii最大检测算法在复杂的山区环境中,基于改进的YOLOv7-tiny
Zhongjian Xie1, Xinwei Chen1, Weilin Wu1,2
1College of Physics and Electronic Information, Guangxi Minzu University, Nanning, China.
PloS one
|April 1, 2025
概括
一个新的轻量级算法,KPD-YOLOv7-GD,在复杂的山区环境中增强了Trichosanthes Kirilowii的检测. 它实现了自动收获机器人的高精度和效率.
科学领域:
- 计算机视觉 计算机视觉
- 农业机器人农业机器人
- 机器学习 机器学习
背景情况:
- 在复杂的山区环境中,Trichosanthes Kirilowii (Cucurbitaceae) 的自动收获受到各种环境挑战的阻碍,例如不同亮度,遮蔽和运动模糊.
- 现有的检测算法经常受到过度参数和高计算强度的影响,这限制了它们在资源有限的收获机器人中的实际应用.
研究的目的:
- 提出一个轻量级和高效的检测算法,KPD-YOLOv7-GD,用于在具有挑战性的山地地形中准确识别Trichosanthes Kirilowii.
- 为了提高YOLOv7-tiny的特征提取效率和检测精度,用于实时农业机器人应用.
主要方法:
- 该研究适应了YOLOv7-tiny,增强了其多尺度特征层,并结合了轻量级的卷积模块和通道修剪以减少模型复杂性.
- 集成动态头部 (DyHead) 模块和内容意识重组特征 (CARAFE) 模块,以及知识蒸技术,进一步优化特征提取和检测性能.
主要成果:
- 该KPD-YOLOv7-GD算法实现了Trichosanthes Kirilowii检测的平均平均精度 (mAP) 为93.2%.
- 与主流单阶段算法相比,KPD-YOLOv7-GD表现出显著的mAP改进 (例如,比YOLOv3-tiny高4.8%),具有相当大的模型压缩率 (例如,YOLOv3-tiny为81.6%).
结论:
- KPD-YOLOv7-GD提供了低复杂度,高识别精度和速度的优越平衡,使其成为资源有限的自动收获机器人的理想选择.
- 开发的算法有效地解决了在复杂环境中检测Trichosanthes Kirilowii的挑战,为更高效的农业自动化铺平了道路.
