DHN-YOLO:一种联合检测算法,用于不同成熟阶段和关键收获点的草

科学领域:

• 农业工程 农业工程
• 计算机视觉 计算机视觉
• 机器人技术 机器人技术 机器人技术

背景情况:

• 自动化的草收获面临着诸如阻塞,重叠和可变的照明等挑战,影响果实检测和成熟度评估.
• 准确识别草成熟度和采摘点对于机器人收获效率至关重要.

研究的目的:

• 开发一种先进的计算机视觉模型,用于在复杂的农业环境中强大的草检测和关键点估计.
• 通过解决当前水果识别方法的局限性,提高自动收获系统的性能.

主要方法:

• 构建了MSRBerry数据集,包括各种草品种,成熟阶段和田间条件.
• 提出DHN-YOLO,一个增强的YOLOv11-pose框架,包含CDC,C3H模块,以及具有注意力机制和双路径融合的新型部架构.
• 优化了特征捕获,多尺度提取和关键区域的感知,以提高准确性和稳定性.

主要成果:

• 在草检测方面,DHN-YOLO获得了87.3%的精度,88%的回忆率和78.6%的mAP@50:95,表现优于YOLOv11-pose.
• 关键点检测性能达到83%的精度,87.5%的回忆率和83.6%的准确率.
• 该模型展示了高推断速度 (71.6 FPS) 和效率,超过了其他主流模型,如YOLOv13,YOLOv10和DETR.

结论:

• 在复杂的农业环境中,DHN-YOLO有效地解决了草检测和关键点识别的挑战.
• 拟议的模型为实际的机器人收获应用提供了强大而高效的解决方案.
• 在特征提取和融合方面的进步有助于在可变的现场条件下提供卓越的性能.