AITP-YOLO:基于多种策略的改良番茄成熟度检测模型
Wenyuan Huang1,2, Yiran Liao3, Peiling Wang1
1College of Information Engineering, Sichuan Agricultural University, Yaan, China.
Frontiers in plant science
|June 10, 2025
概括
一个新的AITP-YOLO模型通过增强小目标识别和特征融合来改善番茄成熟度的检测. 这种先进的模型实现了更高的准确性和精度,同时减少了实际农业应用的模型大小.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 农业技术 农业技术
背景情况:
- 准确的番茄成熟度检测对于自动收获至关重要.
- 现有的模型面临着小目标识别和在复杂环境中功能融合的挑战.
研究的目的:
- 开发一个增强的YOLOv10s模型,称为AITP-YOLO,用于改进番茄成熟度检测.
- 解决识别小番茄和融合多尺度特征的局限性.
主要方法:
- 实现了一个具有小目标检测层的四头探测器.
- 利用多级特征融合与跨级特征,以增强泛化.
- 将边界框损失函数修改为Shape-IoU,以提高回归精度.
- 应用网络减肥修剪用于模型压缩.
主要成果:
- AITP-YOLO模型的平均精度为92.6%,准确度为89.7%,回忆率为87.4%.
- 与YOLOv10s相比,模型重量被压缩了7.64%.
- 平均精度,准确度和回忆率分别提高了4.6%,5.8%和7.3%.
结论:
- 增强的AITP-YOLO模型提供了更小的尺寸,具有优越的番茄成熟度检测能力.
- 它可以在复杂的背景中高效准确地识别番茄的阶段.
- 为自动化番茄收获系统提供了宝贵的技术参考.
