OTB-YOLO:一种增强的轻量级YOLO架构,用于基于无人机的玉米检测
Yu Han1,2, Xingya Wang3, Luyan Niu1
1Institute of Agricultural Information and Economics, Shandong Academy of Agricultural Sciences, Jinan 250100, China.
Plants (Basel, Switzerland)
|September 13, 2025
概括
一个新的基于YOLOv11的轻量级模型,OTB-YOLO,在无人机图像中改善了玉米的检测. 它提高了准确性,并减少了边缘部署的计算负载.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
背景情况:
- 在多时空无人机图像中检测玉米面临诸如尺度变化,背景噪音和小目标检测等挑战.
- 现有的模型可能会在无人机平台上的实时处理方面的计算效率方面扎.
研究的目的:
- 开发一个优化的轻量级检测模型 (OTB-YOLO) 来从无人机图像中准确有效地检测玉米.
- 应对包括目标尺度变化,复杂的背景干扰和缺失小目标在内的挑战.
主要方法:
- 推出了基于YOLOv11的优化轻量级模型OTB-YOLO,集成了全维动态卷积 (ODConv),三重注意力和双向特征金字塔网络 (BiFPN).
- 用ODConv取代传统的卷积层,以减少冗余,并为精细的特征提取采用三重注意力.
- 通过多层次的特征融合和双向信息流来提高准确性,在PaddlePaddle和MTDC数据集上接受了培训.
主要成果:
- OTB-YOLO的精度为95.6%,回忆率为92.1%,mAP@0.5的精度为96.6%,超过了基线模型的性能.
- 与基线相比,在精度方面表现出3.2%,在回忆方面表现出2.5%,在mAP@0.5方面表现出3.1%.
- 将计算复杂度降低到6.0 GFLOPs,使其适合无人机边缘计算.
结论:
- 通过无人机成像,OTB-YOLO提供了高精度和计算效率的解决方案,用于使用无人机成像检测玉米.
- 该模型的轻量级设计和改进的性能使其非常适合用于精密农业应用的边缘计算平台上部署.
- 整合ODConv,三重注意力和BiFPN有效地解决了空中图像分析的关键挑战.
