Ta-YOLO:在温室番茄检测和计数方面克服目标阻塞的挑战
Yun Zhao1, Yijia Chen1, Xing Xu1
1School of Artificial Intelligence and Information Engineering, Zhejiang University of Science and Technology, Hangzhou, China.
Frontiers in plant science
|July 23, 2025
概括
本研究介绍了Ta-YOLO,这是一个用于在田间条件下准确检测和计数小番茄的新框架,克服了叶子阴影等挑战. 该模型显著提高了对番茄产量预测的检测效率和精度.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 准确的小番茄计数对于番茄产业的经济至关重要.
- 叶子阴影等环境因素阻碍了在野外环境中精确检测水果.
研究的目的:
- 开发一种高效准确的模型,Ta-YOLO,用于检测小番茄果.
- 为了提高生产效率,提高不同成熟度的番茄的计数.
主要方法:
- 利用空间到深度模块,以实现高效的功能杆和轻量级的骨干.
- 引入了一种新的金字塔聚合模块 (DASPPF),用于全球信息捕获和降低噪音.
- 实现了一个额外的微小目标检测头和一个多维注意力结构 (CSAM).
- 提出了EWDIoU界限框损失函数,以提高准确性和稳定性.
主要成果:
- 塔-约洛实现了10.58M的参数,14.4G的FLOP和131.58的FPS.
- 该模型显示平均平均精度 (mAP) 为84.4%.
- 在具有挑战性的田间条件下成功提高了小番茄的检测和计数.
结论:
- Ta-YOLO框架有效地解决了农业中小番茄检测的局限性.
- 该模型的性能提高了番茄种植的产量预测准确性和运营效率.
- 这项技术支持番茄产业的可持续经济增长.
更多相关视频
06:41High-Throughput Identification of Resistance to Pseudomonas syringae pv. Tomato in Tomato using Seedling Flood Assay
Published on: March 10, 2020
9.8K
15:25Tomato Analyzer: A Useful Software Application to Collect Accurate and Detailed Morphological and Colorimetric Data from Two-dimensional Objects
Published on: March 16, 2010
26.6K
