CTDA:在复杂环境中准确高效的桃番茄检测算法

科学领域:

• 农业机器人农业机器人
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 机器人收获桃番茄面临着来自照明,遮蔽和重叠水果的挑战.
• 准确和高效的检测对于在非结构化环境中成功的自动收获至关重要.

研究的目的:

• 为桃番茄收获提出一个精确,实时和强大的目标检测算法 (CTDA).
• 在复杂的自然收获条件下提高机器人视觉系统的准确性和效率.

主要方法:

• CTDA模型基于YOLOv8,具有重组后的骨干,具有轻量化下采样和自适应权重.
• 它将SoftPool纳入SPPF (SPPFS),以实现高效的功能利用和多规模的融合.
• 一个以注意力驱动的动态头部增强了跨尺度的特征捕获,以改善识别.

主要成果:

• CTDA实现了94.3%的检测准确度,91.5%的回忆和95.3%的平均精度.
• 该模型显示了76.5%的mAP@0.5:0.95和154.1FPS的速度.
• 与YOLOv8相比,CTDA使用较小的模型大小 (6.7M) 提高了2.9%的mAP.

结论:

• 在复杂的环境中,CTDA模型对于桃番茄检测是有效的,显示出对照明变化和阻塞的稳定性.
• 它支持边缘设备上的快速检测,为自动化桃番茄采摘提供了坚实的基础.
• 该算法增强了适应密集,小目标场景的适应性,这对于农业应用至关重要.