现场部署的轻量级YOLOv8n用于实时检测和计数玉米幼苗,使用无人机RGB图像
Pengbo Feng1, Zhigang Nie1,2, Guang Li2,3
1College of Information Science and Technology, Gansu Agricultural University, Lanzhou, China.
Frontiers in plant science
|September 24, 2025
概括
本研究引入了一种轻量级的YOLOv8n玉米幼苗检测算法,在显著降低模型大小和计算成本的情况下实现高精度. 这种增强型号非常适合精准农业中资源有限的设备.
科学领域:
- 计算机视觉 计算机视觉
- 农业技术 农业技术
- 机器学习 机器学习
背景情况:
- 现有的玉米幼苗检测模型存在大参数,高计算能力和有限的实时性能问题.
- 小的检测范围和低效率阻碍了在精密农业中的实际应用.
研究的目的:
- 开发一种轻量级的YOLOv8n算法来检测玉米幼苗.
- 为了提高实时性能和检测范围,同时降低模型复杂性.
主要方法:
- 通过将RepConv与HGNetV2.2融合,设计了一个Rep_HGNetV2轻量级的骨干.
- 将BiFPN集成到子网络中,以实现增强的多尺度特征融合.
- 开发了一个使用分布焦点损失 (DFL) 进行分类和定位的动态对齐检测头 (TDADH).
主要成果:
- 实现了96.5%的检测准确度,与原始模型相比.
- 将模型重量大小减少到3.5MB,参数减少到1.58M,并将FLOP减少到7.4G (减少43%,47%,8.6%).
- 保持了146.3的高率 (FPS),只有2.4%的下降.
结论:
- 轻量级的YOLOv8n模型提供了高精度,速度和低复杂性.
- 它适合在资源有限的边缘设备,无人机和嵌入式系统上部署.
- 在播种阶段为精确的玉米管理提供技术支持.
