Detección ligera de cabezas de brócoli en entornos de campo complejos basada en LBDC-YOLO
Autores: Zuo, Zhiyu; Gao, Sheng; Peng, Haitao; Xue, Yue; Han, Lvhua; Ma, Guoxin; Mao, Hanping
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Detección ligera de cabezas de brócoli en entornos de campo complejos basada en LBDC-YOLO
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Modelos de detección
Liviano
LBDC-YOLO
Cabezas de brócoli
Complejidad computacional
Atención Triplet
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 30
Citaciones: Sin citaciones
La cosecha selectiva robótica de brócoli requiere modelos de detección ligeros y precisos para detectar eficientemente las cabezas de brócoli. Por lo tanto, este estudio presenta un modelo de detección ligero y de alta precisión llamado LBDC-YOLO (Detección Ligera de Brócoli en Entornos Complejos-You Look Only Once), basado en el YOLOv8 mejorado (You Look Only Once, Versión 8). El modelo incorpora el paradigma de diseño Slim-neck basado en GSConv para reducir la complejidad computacional. Además, se integra la Atención Triplet en la red principal para capturar interacciones cruzadas entre dimensiones espaciales y de canal, mejorando la capacidad de extracción de características del modelo bajo múltiples factores interferentes. La estructura de red original del cuello se reemplaza por un BiFPN (Red de Pirámide de Características Bidireccional), optimizando la estructura de conexión entre capas y empleando métodos de fusión ponderada para una mejor integración de características a múltiples escalas. El modelo se somete a entrenamiento y pruebas en un conjunto de datos construido en condiciones reales de campo, con imágenes de brócoli bajo varios factores influyentes. Los resultados experimentales demuestran que LBDC-YOLO logra una precisión de detección promedio del 94.44% para el brócoli. En comparación con el YOLOv8n original, LBDC-YOLO logra una reducción del 32.1% en la complejidad computacional, una disminución del 47.8% en los parámetros, una reducción del 44.4% en el tamaño del modelo y una mejora de 0.47 puntos porcentuales en la precisión. En comparación con modelos como YOLOv5n, YOLOv5s y YOLOv7-tiny, LBDC-YOLO muestra una mayor precisión de detección y una menor complejidad computacional, presentando claras ventajas para las tareas de detección de brócoli en entornos de campo complejos. Los resultados de este estudio proporcionan un método preciso y ligero para la detección de cabezas de brócoli en entornos de campo complejos. Este trabajo tiene como objetivo inspirar una mayor investigación en agricultura de precisión y avanzar en el conocimiento en prácticas agrícolas asistidas por modelos.
Descripción
La cosecha selectiva robótica de brócoli requiere modelos de detección ligeros y precisos para detectar eficientemente las cabezas de brócoli. Por lo tanto, este estudio presenta un modelo de detección ligero y de alta precisión llamado LBDC-YOLO (Detección Ligera de Brócoli en Entornos Complejos-You Look Only Once), basado en el YOLOv8 mejorado (You Look Only Once, Versión 8). El modelo incorpora el paradigma de diseño Slim-neck basado en GSConv para reducir la complejidad computacional. Además, se integra la Atención Triplet en la red principal para capturar interacciones cruzadas entre dimensiones espaciales y de canal, mejorando la capacidad de extracción de características del modelo bajo múltiples factores interferentes. La estructura de red original del cuello se reemplaza por un BiFPN (Red de Pirámide de Características Bidireccional), optimizando la estructura de conexión entre capas y empleando métodos de fusión ponderada para una mejor integración de características a múltiples escalas. El modelo se somete a entrenamiento y pruebas en un conjunto de datos construido en condiciones reales de campo, con imágenes de brócoli bajo varios factores influyentes. Los resultados experimentales demuestran que LBDC-YOLO logra una precisión de detección promedio del 94.44% para el brócoli. En comparación con el YOLOv8n original, LBDC-YOLO logra una reducción del 32.1% en la complejidad computacional, una disminución del 47.8% en los parámetros, una reducción del 44.4% en el tamaño del modelo y una mejora de 0.47 puntos porcentuales en la precisión. En comparación con modelos como YOLOv5n, YOLOv5s y YOLOv7-tiny, LBDC-YOLO muestra una mayor precisión de detección y una menor complejidad computacional, presentando claras ventajas para las tareas de detección de brócoli en entornos de campo complejos. Los resultados de este estudio proporcionan un método preciso y ligero para la detección de cabezas de brócoli en entornos de campo complejos. Este trabajo tiene como objetivo inspirar una mayor investigación en agricultura de precisión y avanzar en el conocimiento en prácticas agrícolas asistidas por modelos.