基于改进YOLOv8n的茶叶嫩稍检测方法OA北大核心CSTPCD
针对名优茶智能采摘中茶叶嫩梢识别精度不足的问题,该研究对YOLOv8n模型进行优化。首先,在主干网络中引入动态蛇形卷积(dynamic snake convolution,DSConv),增强模型对茶叶嫩梢形状信息的捕捉能力;其次,将颈部的路径聚合网络(path aggregation network,PANet)替换为加权双向特征金字塔网络(bi-directional feature pyramid network,BiFPN),强化模型的特征融合效能;最后,在颈部网络的每个C2F模块后增设了无参注意力模块(simple attention module,SimAM),提升模型对茶叶嫩梢的识别关注度。试验结果表明,改进后的模型比原始模型的精确率(precision,P)、召回率(recall,R)、平均精确率均值(mean average precision,m AP)、F1得分(F1 score,F1)分别提升了4.2、2.9、3.7和3.3个百分点,推理速度为42帧/s,模型大小为6.7 MB,满足低算力移动设备的部署条件。与Faster-RCNN、YOLOv5n、YOLOv7n和YOLOv8n目标检测算法相比,该研究提出的改进模型精确率分别高出57.4、4.4、4.7和4.2个百分点,召回率分别高出53.0、3.6、2.8和2.9个百分点,平均精确率均值分别高出58.9、5.0、4.6和3.7个百分点,F1得分分别高出了56.8、3.9、3.7和3.3个百分点,在茶叶嫩梢检测任务中展现出了更高的精确度和更低的漏检率,能够为名优茶的智能采摘提供算法参考。
杨大勇;黄正栎;郑昌贤;陈宏涛;江新凤;
南昌大学先进制造学院,南昌330031江西省经济作物研究所/江西省茶叶质量与安全控制重点实验室/特色果树茶叶种植与高值利用江西省重点实验室,南昌330046
农业工程
图像处理图像识别名优茶智能采摘茶叶嫩梢目标检测YOLOv8n
《农业工程学报》 2024 (012)
P.165-173,F0003 / 10
江西省现代农业产业技术体系(JXARS-02);江西省科技合作专项重点项目(20212BDH80011)。
评论