Ts-yolo: un modelo de detección de tiros de toldo de té ligero y para todo el día
Autores: Zhang, Zhi; Lu, Yongzong; Zhao, Yiqiu; Pan, Qingmin; Jin, Kuang; Xu, Gang; Hu, Yongguang
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Ts-yolo: un modelo de detección de tiros de toldo de té ligero y para todo el día
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Brotes de té
Modelo de detección
Condiciones de luz
Red neuronal ligera
Velocidad de detección
Plataforma de recolección de té
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
La detección precisa y rápida de brotes de té dentro del dosel del té es esencial para lograr la recolección automática del té famoso. Los modelos de detección actuales sufren de dos problemas principales: baja velocidad de inferencia y dificultad en la implementación en plataformas móviles, lo que limita el desarrollo de equipos inteligentes para la recolección de té. Además, la detección de brotes de té en el dosel del té está actualmente limitada a condiciones de luz natural, sin estudios reportados sobre la detección de brotes de té bajo luz artificial durante la noche. Desarrollar una plataforma de recolección de té durante todo el día mejoraría significativamente la eficiencia de la recolección de té. Teniendo en cuenta estos problemas, el objetivo de la investigación fue proponer un modelo de detección ligero para brotes de té en el dosel del té (TS-YOLO) basado en YOLOv4. En primer lugar, se recopilaron conjuntos de datos de imágenes de muestras de brotes de té en el dosel del té en condiciones de luz baja (6:30-7:30 y 18:30-19:30), luz media (8:00-9:00 y 17:00-18:00), luz alta (11:00-15:00) y luz artificial por la noche. Luego, la red de extracción de características de YOLOv4 y la convolución estándar de toda la red se reemplazaron con la red neuronal ligera MobilenetV3 y la convolución separable en profundidad. Finalmente, para compensar la falta de capacidad de extracción de características en la red neuronal ligera, se agregaron una capa convolucional deformable y módulos de atención de coordenadas a la red. Los resultados mostraron que el tamaño del modelo mejorado fue de 11.78 M, el 18.30% de YOLOv4, y la velocidad de detección se mejoró en 11.68 FPS. La precisión de detección, la recuperación y el AP de los brotes de té en diferentes condiciones de luz fueron del 85.35%, 78.42% y 82.12%, respectivamente, lo que fue 1.08%, 12.52% y 8.20% más alto que MobileNetV3-YOLOv4, respectivamente. El modelo ligero desarrollado podría detectar de manera efectiva y rápida los brotes de té en condiciones de luz durante todo el día, lo que proporciona el potencial para desarrollar una plataforma de recolección de té inteligente durante todo el día.
Descripción
La detección precisa y rápida de brotes de té dentro del dosel del té es esencial para lograr la recolección automática del té famoso. Los modelos de detección actuales sufren de dos problemas principales: baja velocidad de inferencia y dificultad en la implementación en plataformas móviles, lo que limita el desarrollo de equipos inteligentes para la recolección de té. Además, la detección de brotes de té en el dosel del té está actualmente limitada a condiciones de luz natural, sin estudios reportados sobre la detección de brotes de té bajo luz artificial durante la noche. Desarrollar una plataforma de recolección de té durante todo el día mejoraría significativamente la eficiencia de la recolección de té. Teniendo en cuenta estos problemas, el objetivo de la investigación fue proponer un modelo de detección ligero para brotes de té en el dosel del té (TS-YOLO) basado en YOLOv4. En primer lugar, se recopilaron conjuntos de datos de imágenes de muestras de brotes de té en el dosel del té en condiciones de luz baja (6:30-7:30 y 18:30-19:30), luz media (8:00-9:00 y 17:00-18:00), luz alta (11:00-15:00) y luz artificial por la noche. Luego, la red de extracción de características de YOLOv4 y la convolución estándar de toda la red se reemplazaron con la red neuronal ligera MobilenetV3 y la convolución separable en profundidad. Finalmente, para compensar la falta de capacidad de extracción de características en la red neuronal ligera, se agregaron una capa convolucional deformable y módulos de atención de coordenadas a la red. Los resultados mostraron que el tamaño del modelo mejorado fue de 11.78 M, el 18.30% de YOLOv4, y la velocidad de detección se mejoró en 11.68 FPS. La precisión de detección, la recuperación y el AP de los brotes de té en diferentes condiciones de luz fueron del 85.35%, 78.42% y 82.12%, respectivamente, lo que fue 1.08%, 12.52% y 8.20% más alto que MobileNetV3-YOLOv4, respectivamente. El modelo ligero desarrollado podría detectar de manera efectiva y rápida los brotes de té en condiciones de luz durante todo el día, lo que proporciona el potencial para desarrollar una plataforma de recolección de té inteligente durante todo el día.