基于YOLO11-CGB的实时检测,在田间发现中国白菜苗
Hang Shi1,2, Changxi Liu1,2, Miao Wu1,2
1College of Engineering, Heilongjiang Bayi Agricultural University, Daqing, China.
Frontiers in plant science
|April 18, 2025
概括
这项研究介绍了YOLO11-CGB,这是一个增强的物体检测模型,用于准确识别中国白菜苗. 该模型实现了高精度和回忆,使其适合精密农业应用.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 精确检测中国白菜苗木对于通过使用农药有效控制害虫和疾病至关重要.
- 区分中国白菜幼苗和杂草是一个重大的挑战,因为它们的特征相似.
研究的目的:
- 开发一种增强的物体检测方法,用于准确识别中国白菜苗.
- 提高精准农业种苗检测的效率和准确性.
主要方法:
- 通过整合卷积注意力模块 (CBAM) 和简化的双向特征金字塔网络 (BiFPN),开发了称为YOLO11-CGB的增强型YOLO11n模型.
- 使用GhostConv来取代标准的卷积模块,减少计算负载和模型大小.
- 引入了平均温度重量 (ATW) 度量来量化热图的有效性.
主要成果:
- 与更快的R-CNN,YOLOv4,YOLOv5,YOLOv8和原来的YOLO11.11相比,YOLO11-CGB表现出更高的性能.
- 该模型的精度为94.7%,回忆率为93.0%,平均精度为97.0%.
- 该模型拥有小文件大小 (3.2 MB),低计算成本 (4.1 GFLOPs) 和高速率 (143 FPS),非常适合边缘设备.
结论:
- YOLO11-CGB为准确检测中国白菜苗提供了强大而高效的解决方案.
- 该模型的性能使其非常适合用于农业中的精密喷雾技术.
- 改进后的模型有效地解决了在复杂的农业环境中将幼苗与杂草区分开来所面临的挑战.
