一种用于同步识别串番茄和采摘点的检测方法,基于关键点检测.

科学领域:

• 计算机视觉 计算机视觉
• 农业机器人农业机器人
• 机器学习 机器学习

背景情况:

• 温室环境对番茄采摘点的检测提出了挑战,原因是不同的照明,茎背景颜色相似性和复杂的植物结构.
• 现有的方法在低检测准确度下扎,阻碍了自动收获系统.

研究的目的:

• 开发一种改进的关键点检测方法,用于同步识别串番茄及其采摘点.
• 为了提高自动化农业应用的检测精度和推断速度.

主要方法:

• 一个新的YOLOv8-TP模型是基于YOLOv8n-pose构建的,它包含一个C2f-OREPA模块,以减少计算负载.
• 在骨干网络之后添加了一个PSA机制,以提高准确性和性能.
• 将CGAFusion集成到Neck中,通过自适应地强调相关特征来增强特征提取.

主要成果:

• YOLOv8-TP模型在同步识别番茄和采摘点方面实现了89.8%的准确性,推断速度为154.7 FPS.
• 与基线YOLOv8n-pose相比,YOLOv8-TP显示了精度 (0.6%),mAP@.5 (1%),mAP@.5..95 (2%) 和F1得分 (1%) 的改善.
• 该模型显示欧几里德距离误差小于25像素,深度误差小于3毫米,模型复杂性减少了8.1%.

结论:

• 拟议的YOLOv8-TP方法在具有挑战性的温室条件下,为子番茄及其采摘点提供了出色的检测性能.
• 这种方法为推进自动收获和农业机器人的发展提供了有价值的参考模型.