基于YOLOv11-EDS的田间小麦穗检测和计数方法的研究

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 准确的小麦耳检测对于作物产量估计至关重要.
• 现有的方法在复杂的农田环境中难以准确和计算负载.

研究的目的:

• 提出一种轻量级的小麦耳朵检测模型,YOLOv11-EDS,以提高准确性和效率.
• 解决在复杂的农业环境中检测小麦穗的挑战.

主要方法:

• 引入了Dysample动态上采样操作符,以优化特征图的上采样.
• 集成的方向感知导向高效频道注意力,以增强功能聚焦.
• 使用Slim-Neck模块来优化不同尺度的功能融合.

主要成果:

• 与YOLOv11.11相比,YOLOv11-EDS取得了显著的改进:精度+2.0%,回忆+3.5%,mAP@0.5,+2.5%mAP@0.5:0.95.与YOLOv11.11相比,YOLOv11-EDS取得了显著的改进:精度+2.0%,回忆+3.5%,mAP@0.5.
• 将模型参数降低到2.5M,并将FLOP降低到5.8G,优化了准确性和效率.
• 在各种数据集上表现出强大的性能,包括iPhone视图数据集.

结论:

• 在复杂的环境中,YOLOv11-EDS提供了一种高效的解决方案,用于在复杂环境中进行自动化小麦表型分析.
• 该模型对准确性和效率的双重优化支持智能农业的进步.