Un rápido red neuronal basado en mecanismos de atención para detectar campo plano de jujube
Autores: Li, Shilin; Zhang, Shujuan; Xue, Jianxin; Sun, Haixia; Ren, Rui
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Un rápido red neuronal basado en mecanismos de atención para detectar campo plano de jujube
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Campo de jujube plano
Recolección automatizada
YOLOv5
Algoritmo ligero
Mejora de datos
Mecanismos de atención
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 25
Citaciones: Sin citaciones
La identificación eficiente del campo de jujube plano es la primera condición para realizar su recolección automatizada. Por lo tanto, se propone un algoritmo ligero de identificación de objetivos basado en YOLOv5 mejorado (solo miras una vez) para cumplir con los requisitos de alta precisión y baja complejidad. Al principio, el método propuesto resuelve el desequilibrio de la distribución de datos mejorando los métodos de mejora de datos. Luego, para mejorar la precisión del modelo, ajustamos la estructura y el número de módulos de Bloque de Convolución Concentrado-Completo en la red principal, e introducimos los mecanismos de atención de Canal Eficiente y Atención de Coordenadas. Sobre esta base, este documento realiza operaciones ligeras mediante el uso de la Convolución Profunda Separable para reducir la complejidad del modelo. Finalmente, se utilizan la función de pérdida de Intersección Completa sobre Unión y la supresión de no-máximo de Intersección de Distancia sobre Unión para optimizar la función de pérdida y el proceso de post-procesamiento, respectivamente. Los resultados experimentales muestran que la precisión promedio mejorada de la red alcanza el 97.4%, lo que aumenta en un 1.7% en comparación con la red YOLOv5s original; y, los parámetros, operaciones de punto flotante y tamaño del modelo se comprimen al 35.39%, 51.27% y 37.5% de la red original, respectivamente. Se realizan experimentos de comparación en torno al método propuesto y los algoritmos comunes de detección de objetivos You Only Look Once. Los resultados experimentales muestran que la precisión promedio del método propuesto es del 97.4%, lo que es superior al 90.7%, 91.7% y 88.4% de los algoritmos YOLOv3, YOLOv4 y YOLOx-s, y el tamaño del modelo se reduce al 2.3%, 2.2% y 15.7%, respectivamente. El algoritmo mejorado logra una reducción de complejidad y un aumento en la precisión, puede ser adecuado para una implementación ligera en un terminal móvil en una etapa posterior, y proporciona una cierta referencia para la detección visual de robots recolectores.
Descripción
La identificación eficiente del campo de jujube plano es la primera condición para realizar su recolección automatizada. Por lo tanto, se propone un algoritmo ligero de identificación de objetivos basado en YOLOv5 mejorado (solo miras una vez) para cumplir con los requisitos de alta precisión y baja complejidad. Al principio, el método propuesto resuelve el desequilibrio de la distribución de datos mejorando los métodos de mejora de datos. Luego, para mejorar la precisión del modelo, ajustamos la estructura y el número de módulos de Bloque de Convolución Concentrado-Completo en la red principal, e introducimos los mecanismos de atención de Canal Eficiente y Atención de Coordenadas. Sobre esta base, este documento realiza operaciones ligeras mediante el uso de la Convolución Profunda Separable para reducir la complejidad del modelo. Finalmente, se utilizan la función de pérdida de Intersección Completa sobre Unión y la supresión de no-máximo de Intersección de Distancia sobre Unión para optimizar la función de pérdida y el proceso de post-procesamiento, respectivamente. Los resultados experimentales muestran que la precisión promedio mejorada de la red alcanza el 97.4%, lo que aumenta en un 1.7% en comparación con la red YOLOv5s original; y, los parámetros, operaciones de punto flotante y tamaño del modelo se comprimen al 35.39%, 51.27% y 37.5% de la red original, respectivamente. Se realizan experimentos de comparación en torno al método propuesto y los algoritmos comunes de detección de objetivos You Only Look Once. Los resultados experimentales muestran que la precisión promedio del método propuesto es del 97.4%, lo que es superior al 90.7%, 91.7% y 88.4% de los algoritmos YOLOv3, YOLOv4 y YOLOx-s, y el tamaño del modelo se reduce al 2.3%, 2.2% y 15.7%, respectivamente. El algoritmo mejorado logra una reducción de complejidad y un aumento en la precisión, puede ser adecuado para una implementación ligera en un terminal móvil en una etapa posterior, y proporciona una cierta referencia para la detección visual de robots recolectores.