LBS-YOLO:一种用于检测草成熟度的轻量级模型
Haitao Fu1, Xueying Li1, Zheng Li1
1College of Information Technology, Jilin Agricultural University, Changchun, China.
Frontiers in plant science
|December 22, 2025
概括
这项研究介绍了LBS-YOLO,一种轻量级的草采摘模型. 它提高了识别准确性和效率,解决了当前智能挑选技术的局限性.
科学领域:
- 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
- 农业技术 农业技术
背景情况:
- 传统的草采摘依赖于手工劳动,面临着人口老龄化带来的挑战.
- 现有的智能挑选技术的识别准确度低于最佳,计算效率低.
研究的目的:
- 开发一种轻量级和高效的草检测模型,用于智能采摘.
- 与现有方法相比,提高识别精度和降低计算负载.
主要方法:
- 基于改进的YOLOv11n架构构建了一个轻量级的检测模型,LBS-YOLO.
- 整合了一个轻量级的LAWDS模块,用于增强特征表示,以及一个双向特征金字塔网络 (BiFPN),用于有效的特征融合.
- 使用C3k2_Star模块来取代传统的C3K2以获得更优质的特征表示.
主要成果:
- LBS-YOLO实现了88.6%的mAP@0.5和75.8%的mAP@0.5:0.95,分别超过了YOLOv11n的2.2%和1.3%.
- 提醒率提高到86.4%,F1得分提高到82.9%,推理速度为260.7 FPS.
- 与YOLOv11n.相比,存储空间减少了34.6%,参数数量减少了38%.
结论:
- LBS-YOLO显著降低了参数,同时提高了检测准确性和操作效率.
- 该模型有效地减轻了错误和错过的检测,为自动化草收获和监控提供了强大的支持.
