YOLOv12-BDA:在芝麻田中检测小杂草的动态多尺度架构
1School of Mechanical Engineering, Chongqing Three Gorges University, Chongqing 404100, China.
Sensors (Basel, Switzerland)
|November 27, 2025
概括
一个新的动态架构,YOLOv12-BDA,显著改善了芝麻田中的小杂草检测,增强了精准农业. 这种方法在复杂的环境中提高了准确性,有助于作物产量和质量管理.
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:
- 杂草侵袭严重影响芝麻 (Sesamum indicum L.) 作物的产量和质量.
- 在密集的农业环境中准确检测小杂草仍然是一个重大挑战.
研究的目的:
- 开发一个动态的多尺度架构,YOLOv12-BDA,用于在芝麻田中增强小杂草检测.
- 在复杂的农业环境中提高杂草识别的准确性和效率.
主要方法:
- 拟议的YOLOv12-BDA架构具有自适应特征选择 (AFS) 双脊柱与动态学习单元 (DLU).
- 整合了一个动态分组卷积和通道混合变压器 (DGCS) 模块,用于改进实时检测.
- 集成了一个动态自适应规模感知交互 (DASI) 模块,用于加强多级特征融合.
主要成果:
- 与基线模型相比,YOLOv12-BDA实现了显著的mAP@50改善 (例如,比YOLOv8n高11.72%).
- 该模型展示了113 FPS的实时检测能力.
- 在复杂的农田背景下实现了小杂草的更高的检测准确度.
结论:
- 拟议的动态架构有效地提高了芝麻田中小目标杂草检测的准确性.
- YOLOv12-BDA适用于需要高检测质量的精密农业应用.
- 未来的工作包括扩大数据集的多样性和优化架构以适应更广泛的农业用途.
