YOLO-LMTB:在农业中用于多尺度茶叶芽的轻量级检测模型

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 农业技术 农业技术

背景情况:

• 由于复杂的环境,具有多尺度变化,高密度和背景颜色相似性,茶叶芽检测具有挑战性.
• 精确和快速检测茶叶芽对于自动茶叶采摘系统至关重要.

研究的目的:

• 开发一种轻量级,多尺度的茶叶芽物体检测模型.
• 在复杂的农业环境中提高茶叶芽检测的准确性和效率.
• 为智能茶叶采摘系统提供技术基础.

主要方法:

• 建议基于YOLOv11n架构的YOLO-LMTB模型.
• 引入了多尺度边缘精细化上下文聚合器 (MERCA) 模块,以改善特征感知.
• 开发了动态高压令牌统计变压器 (DHTST) 模块,以增强区分功能和抑制背景噪声.
• 实现双向特征金字塔网络 (BiFPN) 适应性特征融合和减少计算复杂性.

主要成果:

• 与原始模型相比,YOLO-LMTB在精度 (P) 中提高了2.9%,在mAP50中提高了1.6%,在mAP50-95中提高了2.0%.
• 模型参数减少了28.3%,模型大小减少了22.6%.
• 在公共数据集上展示了强大的概括能力,每个增强模块都提高了性能.

结论:

• YOLO-LMTB模型有效地解决了复杂环境中的多规模茶叶芽检测的挑战.
• 拟议的MERCA,DHTST和BiFPN模块显著提高了检测准确性和效率.
• 该模型为减少计算复杂性提供了有价值的解决方案,为实际的智能茶应用铺平了道路.