基于YOLO-DCL的复杂环境油茶果遮挡检测与计数研究OA北大核心CSTPCD

为解决复杂环境中油茶果因遮挡造成的检测与计数难题,提出了一种基于双主干网络(Dual-backbone)和连续注意力特征融合模块(Consecutive attention feature fusion,CAFF)的检测模型。该模型结合了两种不同主干网络的优势,实现了对不同特征的高效提取。此外,设计了双输入单输出的连续注意力特征融合模块,取代了传统的拼接操作(Concat),优化了多尺度特征信息的融合策略。为了在精度与模型内存占用量之间取得平衡,采用了幻影卷积模块(Ghostconv),并去除了空间金字塔池化层(Spatial pyramid pooling fast,SPPF),加快了训练速度,减少了参数量。改进后的YOLO-DCL(YOLO dual-backbone&consecutive attention feature fusion&lightweight)模型在各类遮挡检测任务上表现优秀,平均精度均值达到92.7%,精确率为90.7%,召回率为84.9%,而模型内存占用量仅为5.7 MB。相较YOLO v8n模型分别上升4.0、8.6、2.3个百分点,内存占用量下降9.5%。该模型还具备油茶果遮挡类别的自动计数功能,可降低人工统计的劳动成本,适合在野外复杂环境中部署应用。