TeaBudLiteNet:用于检测茶叶蕾的轻量级网络.
Xiaolei Chen1, Long Wu1, Xu Yang1
1College of Computer Science and Technology, Zhejiang Sci-Tech University, Hangzhou, China.
Journal of the science of food and agriculture
|January 9, 2026
概括
这项研究介绍了TeaBudLiteNet,这是一款用于智能茶叶收获的轻量级物体检测模型. 它在复杂的环境中检测小茶叶芽的精度和效率很高,因此非常适合用于智能农业设备.
科学领域:
- 计算机视觉 计算机视觉
- 农业技术 农业技术
- 机器学习 机器学习
背景情况:
- 精确的,实时检测茶叶芽对于智能茶叶收获和智能农业至关重要.
- 由于计算复杂性和性能限制,在复杂的茶叶种植园中检测小目标对现有的物体检测模型具有挑战性.
- 资源有限的设备需要轻量级的检测框架,以平衡准确性和效率.
研究的目的:
- 开发一个轻量级的物体检测框架,以准确高效地检测茶叶芽.
- 在复杂的茶叶种植环境和资源有限的设备上解决现有模型的局限性.
主要方法:
- 提出了TeaBudLiteNet,这是一个新的轻量级物体检测模型.
- 引入了C2f_PConv模块,将PConv效率与C2f非线性表示集成在一起.
- 集成的SimAM_Slice注意力机制,用于增强特征加权和小目标检测.
- 用Focaler-IoU_Inner回归损失用于动态样本优化和加速融合.
主要成果:
- TeaBudLiteNet实现了90.47%的精度,比基线改进了2.08%.
- 模型大小减少了90%以上,只有1,912,947个参数.
- 保持了每秒227的高推断速度.
- 在精度,尺寸和速度方面表现优于主流检测模型.
结论:
- TeaBudLiteNet有效地减少了模型的复杂性,同时保持了高检测精度和实时性能.
- 轻量级架构适合在资源有限的智能农业设备上部署.
- 为茶叶芽检测提供强大的解决方案,推进自动茶叶收获和智能农业系统.


