一个更快,更轻的机器人模型YOLO Punica用于检测石榴果实发育的速度

科学领域:

• 农业技术 农业技术
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 石榴种植面临着传统手工监测的挑战,导致效率低下和高成本.
• 实时机器视觉为农业的智能管理和降低计算成本提供了解决方案.
• 开发快速,轻量级的检测模型对于有效的机器视觉应用是必不可少的.

研究的目的:

• 提出YOLO-Punica模型,一种优化的轻量级检测算法,用于实时监测石榴果实发育情况.
• 为了提高检测精度,计算效率,并减少模型大小和内存消耗.
• 为具有有限计算能力的嵌入式设备提供适合实时应用的模型.

主要方法:

• 基于YOLOv8n算法开发了YOLO-Punica模型,其中包括双路径下采样模块 (DPDM) 和交叉尺度特征融合模块 (CCFM).
• 将DPDM集成到骨干中,并将CCFM与DPDM集成到YOLOv8n框架的部结构中.
• 在公共数据集上评估模型性能,将其与原始YOLOv8n算法进行比较.

主要成果:

• 与YOLOv8n.相比,YOLO-Punica实现了参数减少45.8%,GFLOP减少28%,模型尺寸缩小43.7%.
• 该模型的平均精度 (mAP) 为92.6%,比YOLOv8n.n.提高了0.98%.
• 在嵌入式设备上,YOLO-Punica以每秒14.3的速度处理图像,证明了其实时能力.

结论:

• YOLO-Punica模型为石榴果实发育检测的效率,速度和准确性提供了显著的改进.
• 这项研究为智能农业监测提供了可行的解决方案,特别是对于石榴.
• 开发的模型和技术为在更广泛的农业环境中增强机器视觉提供了新的视角.