Rvdr-yolov8: un modelo de detección de objetivos de malezas basado en una mejora de yolov8
Autores: Ding, Yuanming; Jiang, Chen; Song, Lin; Liu, Fei; Tao, Yunrui
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Rvdr-yolov8: un modelo de detección de objetivos de malezas basado en una mejora de yolov8
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Robots de control de malezas
Técnicas tradicionales de control químico de malezas
Recursos computacionales
Parámetros del modelo
Modelo ligero de detección de objetivos de malezas
YOLOv8
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 43
Citaciones: Sin citaciones
Actualmente, los robots de control de malezas que pueden identificar con precisión las malezas y llevar a cabo trabajos de eliminación están reemplazando gradualmente las técnicas tradicionales de control químico de malezas. Sin embargo, los recursos computacionales y de almacenamiento del equipo de procesamiento central de los robots de desmalezado son limitados. Con el objetivo de abordar los problemas actuales de alta computación y el alto número de parámetros del modelo en los robots de desmalezado, este documento propone un modelo ligero de detección de objetivos de malezas basado en el mejorado YOLOv8 (You Only Look Once Version 8), llamado RVDR-YOLOv8 (Reversible Column Dilation-wise Residual). En primer lugar, se reconstruye la red principal basada en RevCol (Redes de Columnas Reversibles). La estructura columnar reversible única de la nueva red principal no solo reduce el volumen computacional, sino que también mejora la capacidad de generalización del modelo. En segundo lugar, se diseña el módulo C2fDWR utilizando Residual Dilation-wise e integrado con la red principal reconstruida, lo que mejora la capacidad adaptativa de la nueva red principal RVDR y aumenta la precisión de reconocimiento del modelo para objetivos ocultos. Además, se introduce GSConv en el extremo del cuello en lugar de la convolución tradicional para reducir la complejidad de la computación y la estructura de la red, al tiempo que se asegura la precisión de reconocimiento del modelo. Finalmente, se diseña InnerMPDIoU combinando MPDIoU con InnerIoU para mejorar la precisión de predicción del modelo. Los resultados experimentales muestran que la complejidad computacional del nuevo modelo se reduce en un 35.8%, el número de parámetros se reduce en un 35.4% y el tamaño del modelo se reduce en un 30.2%, mientras que los valores de mAP y mAP se mejoran en un 1.7% y 1.1%, respectivamente, en comparación con YOLOv8. El rendimiento general del nuevo modelo se mejora en comparación con modelos como Faster R-CNN, SSD y RetinaNet. El nuevo modelo propuesto en este documento puede lograr la identificación precisa de malezas en tierras de cultivo bajo la condición de recursos de hardware limitados, lo que proporciona apoyo teórico y técnico para el control efectivo de las malezas en tierras de cultivo.
Descripción
Actualmente, los robots de control de malezas que pueden identificar con precisión las malezas y llevar a cabo trabajos de eliminación están reemplazando gradualmente las técnicas tradicionales de control químico de malezas. Sin embargo, los recursos computacionales y de almacenamiento del equipo de procesamiento central de los robots de desmalezado son limitados. Con el objetivo de abordar los problemas actuales de alta computación y el alto número de parámetros del modelo en los robots de desmalezado, este documento propone un modelo ligero de detección de objetivos de malezas basado en el mejorado YOLOv8 (You Only Look Once Version 8), llamado RVDR-YOLOv8 (Reversible Column Dilation-wise Residual). En primer lugar, se reconstruye la red principal basada en RevCol (Redes de Columnas Reversibles). La estructura columnar reversible única de la nueva red principal no solo reduce el volumen computacional, sino que también mejora la capacidad de generalización del modelo. En segundo lugar, se diseña el módulo C2fDWR utilizando Residual Dilation-wise e integrado con la red principal reconstruida, lo que mejora la capacidad adaptativa de la nueva red principal RVDR y aumenta la precisión de reconocimiento del modelo para objetivos ocultos. Además, se introduce GSConv en el extremo del cuello en lugar de la convolución tradicional para reducir la complejidad de la computación y la estructura de la red, al tiempo que se asegura la precisión de reconocimiento del modelo. Finalmente, se diseña InnerMPDIoU combinando MPDIoU con InnerIoU para mejorar la precisión de predicción del modelo. Los resultados experimentales muestran que la complejidad computacional del nuevo modelo se reduce en un 35.8%, el número de parámetros se reduce en un 35.4% y el tamaño del modelo se reduce en un 30.2%, mientras que los valores de mAP y mAP se mejoran en un 1.7% y 1.1%, respectivamente, en comparación con YOLOv8. El rendimiento general del nuevo modelo se mejora en comparación con modelos como Faster R-CNN, SSD y RetinaNet. El nuevo modelo propuesto en este documento puede lograr la identificación precisa de malezas en tierras de cultivo bajo la condición de recursos de hardware limitados, lo que proporciona apoyo teórico y técnico para el control efectivo de las malezas en tierras de cultivo.