基于改进的YOLOv5n-ByteTrack的土豆种植者精确计量系统
Cisen Xiao1, Changlin Song2, Junmin Li2
1School of Computer and Software Engineering, Xihua University, Chengdu, China.
Frontiers in plant science
|May 13, 2025
概括
这项研究引入了一种改进的YOLOv5n模型,用于实时评估土豆种植,显著减少模型大小和计算,同时保持高精度. 该系统可以精确监控种植操作,提高土豆种植的效率.
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:
- 手动评估土豆种植是低效的,缺乏实时评估能力.
- 目前的方法很难提供关于种植准确性和种子分布的立即反.
研究的目的:
- 开发一个高效和准确的检测算法来评估土豆种植机的性能.
- 改进实时监测种子土豆采摘和种植结果.
主要方法:
- 一个改进的轻量级YOLOv5n模型,采用C3-Faster和重新参数化的卷积 (RepConv).
- 在移动设备上进行模型优化的层适应性大小基修剪 (LAMP).
- 与ByteTrack算法的集成以及用于性能分析的计数方法.
主要成果:
- 改进后的YOLOv5n模型实现了56.8%的参数减少,56.1%的GFLOP减少,51.4%的模型尺寸缩小.
- 平均精度 (mAP@0.5) 达到98.0%,计数精度为96.6%.
- 该系统可实时监控遗漏,重新种植和合格造.
结论:
- 拟议的轻量级YOLOv5n模型为土豆种植评估的效率和准确性提供了显著的改进.
- 开发的系统支持精确的土豆种植,并提供实时视觉反,证明了实际的工业价值.
