Bud-yolov8s: un algoritmo de detección de brotes de papa basado en yolov8s mejorado
Autores: Liu, Wenlong; Li, Zhao; Zhang, Shaoshuang; Qin, Ting; Zhao, Jiaqi
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Bud-yolov8s: un algoritmo de detección de brotes de papa basado en yolov8s mejorado
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Papa
Ojo de yema
Algoritmo de detección
Modelo
Red
Mejora
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 43
Citaciones: Sin citaciones
La clave de la tecnología inteligente de corte de semillas de papa radica en la identificación precisa y rápida de los ojos de brote de la papa. Los algoritmos de detección existentes sufren de baja precisión de reconocimiento y alta complejidad de modelo, lo que resulta en una tasa de error aumentada. Para abordar estos problemas, este estudio propone un algoritmo de detección de ojos de brote de papa basado en un YOLOv8s mejorado. Primero, mediante la integración de la Red Neural más Rápida (FasterNet) con el módulo de Atención Eficiente Multi-escala (EMA), se diseña una nueva estructura de red Faster Block-EMA para reemplazar los componentes de cuello de botella dentro del módulo C2f de YOLOv8s. Esta mejora mejora la capacidad de extracción de características del modelo y la eficiencia computacional para la detección de brotes. En segundo lugar, este estudio introduce una red de pirámide de características bidireccional ponderada (BiFPN) para optimizar la red de cuello, logrando una fusión multi-escala de las características de los ojos de brote de papa mientras se reducen significativamente los parámetros, la computación y el tamaño del modelo debido a su topología de red flexible. Finalmente, se emplea la función de pérdida de Intersección eficiente sobre la Unión (EIoU) para optimizar el proceso de regresión de cuadros delimitadores, mejorando aún más la capacidad de localización del modelo. Los resultados experimentales muestran que el modelo mejorado logra una precisión promedio media (mAP@0.5) del 98.1% con un tamaño de modelo de solo 11.1 MB. En comparación con el modelo de referencia, el mAP@0.5 y el mAP@0.5:0.95 se mejoraron en un 3.1% y 4.5%, respectivamente, mientras que los parámetros, tamaño y computación del modelo se redujeron en un 49.1%, 48.1% y 31.1%, respectivamente. Además, en comparación con los algoritmos YOLOv3, YOLOv5s, YOLOv6s, YOLOv7-tiny y YOLOv8m, el mAP@0.5 se mejoró en un 4.6%, 3.7%, 5.6%, 5.2% y 3.3%, respectivamente. Por lo tanto, el algoritmo propuesto no solo mejora significativamente la precisión de detección, sino que también reduce en gran medida la complejidad del modelo, proporcionando un soporte técnico esencial para la aplicación y despliegue de la tecnología inteligente de corte de papa.
Descripción
La clave de la tecnología inteligente de corte de semillas de papa radica en la identificación precisa y rápida de los ojos de brote de la papa. Los algoritmos de detección existentes sufren de baja precisión de reconocimiento y alta complejidad de modelo, lo que resulta en una tasa de error aumentada. Para abordar estos problemas, este estudio propone un algoritmo de detección de ojos de brote de papa basado en un YOLOv8s mejorado. Primero, mediante la integración de la Red Neural más Rápida (FasterNet) con el módulo de Atención Eficiente Multi-escala (EMA), se diseña una nueva estructura de red Faster Block-EMA para reemplazar los componentes de cuello de botella dentro del módulo C2f de YOLOv8s. Esta mejora mejora la capacidad de extracción de características del modelo y la eficiencia computacional para la detección de brotes. En segundo lugar, este estudio introduce una red de pirámide de características bidireccional ponderada (BiFPN) para optimizar la red de cuello, logrando una fusión multi-escala de las características de los ojos de brote de papa mientras se reducen significativamente los parámetros, la computación y el tamaño del modelo debido a su topología de red flexible. Finalmente, se emplea la función de pérdida de Intersección eficiente sobre la Unión (EIoU) para optimizar el proceso de regresión de cuadros delimitadores, mejorando aún más la capacidad de localización del modelo. Los resultados experimentales muestran que el modelo mejorado logra una precisión promedio media (mAP@0.5) del 98.1% con un tamaño de modelo de solo 11.1 MB. En comparación con el modelo de referencia, el mAP@0.5 y el mAP@0.5:0.95 se mejoraron en un 3.1% y 4.5%, respectivamente, mientras que los parámetros, tamaño y computación del modelo se redujeron en un 49.1%, 48.1% y 31.1%, respectivamente. Además, en comparación con los algoritmos YOLOv3, YOLOv5s, YOLOv6s, YOLOv7-tiny y YOLOv8m, el mAP@0.5 se mejoró en un 4.6%, 3.7%, 5.6%, 5.2% y 3.3%, respectivamente. Por lo tanto, el algoritmo propuesto no solo mejora significativamente la precisión de detección, sino que también reduce en gran medida la complejidad del modelo, proporcionando un soporte técnico esencial para la aplicación y despliegue de la tecnología inteligente de corte de papa.