YOLO-RGDD:一种用于在线检测番茄表面缺陷的新方法

科学领域:

• 农业工程 农业工程
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 现代农业越来越需要自动化解决方案来进行收获后分类.
• 准确检测番茄的缺陷对于质量控制和经济价值至关重要.
• 手动选番茄缺陷的方法是低效和劳动密集型的.

研究的目的:

• 开发一种智能模型,用于检测五种类型的番茄表面缺陷.
• 为了提高自动化番茄分类系统的效率和准确性.
• 为了减少计算复杂性,以便在农业环境中实际部署.

主要方法:

• 提出了一个基于YOLOv12s的缺陷检测模型,命名为YOLO-RGDD.
• 用RFEM取代YOLOv12模块,以改善小目标特征提取.
• 开发了Dysample-Slim-Neck,以减少计算复杂性并增强轻微缺陷检测.
• 在检测头中利用动态卷积来减少模型参数.

主要成果:

• 对于番茄缺陷检测,YOLO-RGDD模型的平均精度为88.5%,回忆率为85.7%,F1得分为87.0%.
• 与现有的先进物体识别算法相比,表现出优越的性能.
• 将计算复杂度降低到16.1 GFLOPs,比YOLOv12s.降低了24.8%.

结论:

• YOLO-RGDD模型为自动化番茄缺陷检测提供了一个高度准确和计算高效的解决方案.
• 该模型的复杂性降低使其更容易被集成到自动化农业生产线中.
• 这一进步有助于提高番茄加工的质量控制和经济价值.