Modelo CSW-YOLO Mejorado para la Detección del Fenotipo de Melón Amargo
Autores: Xu, Haobin; Zhang, Xianhua; Shen, Weilin; Lin, Zhiqiang; Liu, Shuang; Jia, Qi; Li, Honglong; Zheng, Jingyuan; Zhong, Fenglin
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Modelo CSW-YOLO Mejorado para la Detección del Fenotipo de Melón Amargo
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Melón amargo
Detección de fenotipo
Modelo CSW-YOLO
Módulo ConvNeXt V2
Mecanismo de atención SimAM
WIoUv3
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 12
Citaciones: Sin citaciones
Como un cultivo con un valor medicinal significativo y componentes nutricionales, la demanda del mercado de la melón amargo continúa creciendo. La diversidad de formas del melón amargo tiene un impacto directo en su aceptación en el mercado y en las preferencias de los consumidores, lo que hace que la identificación precisa de los recursos de germoplasma de melón amargo sea crucial para el trabajo de cría. Para abordar las limitaciones de los métodos de identificación manual tradicionales, que son lentos y menos precisos, es necesario mejorar la automatización y la inteligencia en la detección del fenotipo del melón amargo. Este estudio desarrolló un modelo de detección del fenotipo del melón amargo llamado CSW-YOLO. Al incorporar el módulo ConvNeXt V2 para reemplazar la red base de YOLOv8, se mejora el enfoque del modelo en características críticas del objetivo. Además, se introdujo el mecanismo de atención SimAM para calcular los pesos de atención para las neuronas sin aumentar el número de parámetros, mejorando aún más la precisión de reconocimiento del modelo. Finalmente, se introdujo WIoUv3 como la función de pérdida de caja delimitadora para mejorar la velocidad de convergencia y las capacidades de posicionamiento del modelo. El modelo fue entrenado y probado en un conjunto de datos de imágenes de melón amargo, logrando una precisión del 94.6%, un recall del 80.6%, un mAP50 del 96.7% y un puntaje F1 del 87.04%. Estos resultados representan mejoras del 8.5%, 0.4%, 11.1% y 4% en precisión, recall, mAP50 y puntaje F1, respectivamente, en comparación con el modelo original YOLOv8. Además, la efectividad de las mejoras fue validada a través de análisis de mapas de calor y experimentos de ablación, demostrando que el modelo CSW-YOLO puede enfocarse de manera más precisa en las características del objetivo, reducir las tasas de detección falsa y mejorar las capacidades de generalización. Las pruebas comparativas con varios modelos de aprendizaje profundo de vanguardia también demostraron el rendimiento superior de CSW-YOLO en tareas de detección del fenotipo del melón amargo. Esta investigación proporciona un método preciso y confiable para la identificación del fenotipo del melón amargo y también ofrece apoyo técnico para las tecnologías de detección visual de otros productos agrícolas.
Descripción
Como un cultivo con un valor medicinal significativo y componentes nutricionales, la demanda del mercado de la melón amargo continúa creciendo. La diversidad de formas del melón amargo tiene un impacto directo en su aceptación en el mercado y en las preferencias de los consumidores, lo que hace que la identificación precisa de los recursos de germoplasma de melón amargo sea crucial para el trabajo de cría. Para abordar las limitaciones de los métodos de identificación manual tradicionales, que son lentos y menos precisos, es necesario mejorar la automatización y la inteligencia en la detección del fenotipo del melón amargo. Este estudio desarrolló un modelo de detección del fenotipo del melón amargo llamado CSW-YOLO. Al incorporar el módulo ConvNeXt V2 para reemplazar la red base de YOLOv8, se mejora el enfoque del modelo en características críticas del objetivo. Además, se introdujo el mecanismo de atención SimAM para calcular los pesos de atención para las neuronas sin aumentar el número de parámetros, mejorando aún más la precisión de reconocimiento del modelo. Finalmente, se introdujo WIoUv3 como la función de pérdida de caja delimitadora para mejorar la velocidad de convergencia y las capacidades de posicionamiento del modelo. El modelo fue entrenado y probado en un conjunto de datos de imágenes de melón amargo, logrando una precisión del 94.6%, un recall del 80.6%, un mAP50 del 96.7% y un puntaje F1 del 87.04%. Estos resultados representan mejoras del 8.5%, 0.4%, 11.1% y 4% en precisión, recall, mAP50 y puntaje F1, respectivamente, en comparación con el modelo original YOLOv8. Además, la efectividad de las mejoras fue validada a través de análisis de mapas de calor y experimentos de ablación, demostrando que el modelo CSW-YOLO puede enfocarse de manera más precisa en las características del objetivo, reducir las tasas de detección falsa y mejorar las capacidades de generalización. Las pruebas comparativas con varios modelos de aprendizaje profundo de vanguardia también demostraron el rendimiento superior de CSW-YOLO en tareas de detección del fenotipo del melón amargo. Esta investigación proporciona un método preciso y confiable para la identificación del fenotipo del melón amargo y también ofrece apoyo técnico para las tecnologías de detección visual de otros productos agrícolas.