MSRRT-DETR:一种高精度的果检测方法,在复杂的果园场景中具有强大的跨域概括能力

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:

• 精确的果实检测对于精确农业任务至关重要,例如产量估计和自动收获.
• 传统模型与不成熟的水果,品种差异和复杂的果园环境作斗争,导致不良概括和不稳定的预测.

研究的目的:

• 提出MSRRT-DETR,一种新的果实检测模型,平衡高精度,实时性能和强大的概括性.
• 为复杂的农业场景增强RT-DETR框架.

主要方法:

• 引入了一种多尺度卷积注意模块 (MSBlock),以改进多尺度特征表示.
• 集成了一个空间和通道协同注意模块 (SCSA),以提高对象焦点和辨别能力.
• 实施了重新参数化的特征金字塔网络 (RepGFPN),以实现高效的多尺度特征融合.

主要成果:

• 在TSApple数据集上,MSRRT-DETR实现了87.3%的mAP50,表现优于YOLOv8,YOLO11,YOLO12,更快的R-CNN,面具R-CNN,级联R-CNN和RT-DETR变体.
• 推断速度达到了30.2 FPS,与YOLO模型相比,在准确性和实时能力之间取得了平衡.
• 在像MinneApple这样的公共数据集上展示了强大的跨域概括,验证了在各种场景和水果品种中的适用性.

结论:

• MSRRT-DETR有效地解决了当前果实检测模型的局限性,提供了高精度,快速推断和强大的概括性.
• 该模型为精密农业中的智能监控和自动化果园管理提供了强大的技术支持.
• 在复杂的农业场景中,MSRRT-DETR具有显著的实际价值和广泛的应用潜力.