Detección de objetivos de papaya densa en entorno natural basada en YOLOv5s mejorado
Autores: Wang, Lei; Zheng, Hongcheng; Yin, Chenghai; Wang, Yong; Bai, Zongxiu; Fu, Wei
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Detección de objetivos de papaya densa en entorno natural basada en YOLOv5s mejorado
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Características verdes
Piel de papaya
Crecimiento denso
Detección de objetivos
YOLOv5s-Papaya
Red neuronal convolucional profunda
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 22
Citaciones: Sin citaciones
Debido a que las características verdes de la piel de la papaya son del mismo color que las hojas, el denso crecimiento de frutas provoca un grave fenómeno de superposición entre ellas, lo que aumenta la dificultad de detección del objetivo por parte del robot durante el proceso de recolección. Este estudio propone una red neuronal convolucional profunda mejorada YOLOv5s-Papaya para lograr una detección densa de múltiples objetivos de papayas en entornos de huertos naturales. El modelo se basa en la arquitectura de red YOLOv5s e incorpora el módulo Ghost para mejorar sus características livianas. El módulo Ghost emplea una estrategia de capas convolucionales agrupadas y fusión ponderada, lo que permite una representación de características más eficiente y un rendimiento del modelo mejorado. Se introduce un módulo de atención de coordenadas para mejorar la precisión en la identificación de múltiples objetivos densos de papaya. La fusión de redes piramidales de características bidireccionales ponderadas en la estructura PANet de la capa de fusión de características mejora el rendimiento de la detección de papayas en diferentes escalas. Además, se utiliza la función de pérdida de regresión de cuadro delimitador de intersección sobre unión escalada en lugar de la función de pérdida de regresión de cuadro delimitador de intersección sobre unión completa para mejorar la precisión de localización de objetivos densos y acelerar la convergencia del entrenamiento del modelo de red. Los resultados experimentales muestran que el modelo YOLOv5s-Papaya logra tasas de precisión media de detección, precisión y recall del 92,3%, 90,4% y 83,4%, respectivamente. El tamaño del modelo, el número de parámetros y las operaciones de punto flotante son de 11,5 MB, 6,2 M y 12,8 G, respectivamente. En comparación con el modelo de red YOLOv5s original, la precisión media de detección del modelo mejora en 3,6 puntos porcentuales, la precisión mejora en 4,3 puntos porcentuales, el número de parámetros se reduce en un 11,4% y las operaciones de punto flotante disminuyen en un 18,9%. El modelo mejorado tiene una estructura más ligera y un mejor rendimiento de detección. Este estudio proporciona la base teórica y el soporte técnico para el reconocimiento inteligente de la recolección de papayas densas superpuestas y ocultas en entornos naturales.
Descripción
Debido a que las características verdes de la piel de la papaya son del mismo color que las hojas, el denso crecimiento de frutas provoca un grave fenómeno de superposición entre ellas, lo que aumenta la dificultad de detección del objetivo por parte del robot durante el proceso de recolección. Este estudio propone una red neuronal convolucional profunda mejorada YOLOv5s-Papaya para lograr una detección densa de múltiples objetivos de papayas en entornos de huertos naturales. El modelo se basa en la arquitectura de red YOLOv5s e incorpora el módulo Ghost para mejorar sus características livianas. El módulo Ghost emplea una estrategia de capas convolucionales agrupadas y fusión ponderada, lo que permite una representación de características más eficiente y un rendimiento del modelo mejorado. Se introduce un módulo de atención de coordenadas para mejorar la precisión en la identificación de múltiples objetivos densos de papaya. La fusión de redes piramidales de características bidireccionales ponderadas en la estructura PANet de la capa de fusión de características mejora el rendimiento de la detección de papayas en diferentes escalas. Además, se utiliza la función de pérdida de regresión de cuadro delimitador de intersección sobre unión escalada en lugar de la función de pérdida de regresión de cuadro delimitador de intersección sobre unión completa para mejorar la precisión de localización de objetivos densos y acelerar la convergencia del entrenamiento del modelo de red. Los resultados experimentales muestran que el modelo YOLOv5s-Papaya logra tasas de precisión media de detección, precisión y recall del 92,3%, 90,4% y 83,4%, respectivamente. El tamaño del modelo, el número de parámetros y las operaciones de punto flotante son de 11,5 MB, 6,2 M y 12,8 G, respectivamente. En comparación con el modelo de red YOLOv5s original, la precisión media de detección del modelo mejora en 3,6 puntos porcentuales, la precisión mejora en 4,3 puntos porcentuales, el número de parámetros se reduce en un 11,4% y las operaciones de punto flotante disminuyen en un 18,9%. El modelo mejorado tiene una estructura más ligera y un mejor rendimiento de detección. Este estudio proporciona la base teórica y el soporte técnico para el reconocimiento inteligente de la recolección de papayas densas superpuestas y ocultas en entornos naturales.