WCS-YOLOv8s:一个改进的YOLOv8s模型,用于在整个草生长过程中识别和定位目标

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:

• 目前的草生长监测依赖于手工方法,导致效率低下,成本高,缺乏标准化.
• 自动化目标识别和定位对于提高草质量和产量至关重要.
• 市场需要高效的,自动化的草生长监测系统.

研究的目的:

• 在整个生长过程中开发一种用于草目标识别和定位的自动化模型.
• 为了解决草种植中手动监测的局限性.
• 提供一种用于草种植的自动化监测和管理的新方法.

主要方法:

• 开发了WCS-YOLOv8s模型,这是YOLOv8s基准的改编,用于草识别和定位.
• 使用双筒深度摄像头捕捉了1,957张图像,涵盖了四个草生长阶段 (芽,花,未成熟,成熟).
• 整合了Warmup学习率数据增强策略和自主开发的SE-MSDWA模块,用于改进特征提取,以及用于增强特征融合的子网络中的CGFM模块.

主要成果:

• WCS-YOLOv8s模型实现了高检测性能:精度 (P) 为83.4%,回忆 (R) 为86.7%,mAP@0.5为87.53%,mAP@0.5:0.95为60.48%.
• 该模型的检测速度为45.9 FPS (21.8 ms/image),明显超过了基准YOLOv8s.
• 结果表明,检测准确度和概括能力有所提高,满足了对实时在线识别和定位的需求.

结论:

• WCS-YOLOv8s模型在草自动监控方面取得了重大进展.
• 该模型为草种植中实时目标识别和定位提供了一种新且有效的解决方案.
• 开发的系统支持增强的自动化管理,有助于提高草的质量和产量.