Wed-yolo: un modelo de detección para el azafrán en un entorno complejo no estructurado
Autores: Zhang, Zhenguo; Wang, Yunze; Xu, Peng; Shi, Ruimeng; Xing, Zhenyu; Li, Junye
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Wed-yolo: un modelo de detección para el azafrán en un entorno complejo no estructurado
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Reconocimiento de cártamo
Cosecha automatizada
Modelo de detección
WED-YOLO
Cuadro delimitador
Detección de objetivos pequeños
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 36
Citaciones: Sin citaciones
El reconocimiento preciso del cártamo es un desafío crítico en la investigación del campo de la cosecha automatizada de cártamo. El entorno de crecimiento del cártamo, que incluye factores como condiciones climáticas variables en entornos no estructurados, distancias de disparo y diversas características morfológicas, presenta dificultades significativas para la detección. Para abordar estos desafíos y permitir un reconocimiento preciso del objetivo de cártamo en entornos complejos, este estudio propone un modelo mejorado de detección de cártamo, WED-YOLO, basado en YOLOv8n. En primer lugar, la función de pérdida de cuadro delimitador original se reemplaza por el mecanismo de enfoque dinámico no monótono Wise Intersection over Union (WIoU), que mejora la capacidad de ajuste del cuadro delimitador del modelo y acelera la convergencia de la red. Luego, el módulo de upsampling en el cuello de la red se sustituye por el módulo de upsampling dinámico más eficiente y versátil, DySample, para mejorar la precisión del upsampling del mapa de características. Mientras tanto, el mecanismo de atención EMA se integra en el módulo C2f de la red principal para fortalecer las capacidades de extracción de características del modelo. Finalmente, se incorpora una capa de detección de objetivos pequeños en la cabeza de detección, lo que permite que el modelo se centre en los pequeños objetivos de cártamo. El modelo se entrena y valida utilizando un conjunto de datos de cártamo personalizado. Los resultados experimentales demuestran que el modelo mejorado logra valores de Precisión (), Recall (), Precisión Promedio (), y puntuación de 93.15%, 86.71%, 95.03% y 89.64%, respectivamente. Estos resultados representan mejoras de 2.9%, 6.69%, 4.5% y 6.22% sobre el modelo base. En comparación con Faster R-CNN, YOLOv5, YOLOv7 y YOLOv10, el WED-YOLO logró el valor más alto. Supera al módulo mencionado en un 13.06%, 4.85%, 4.86% y 4.82%, respectivamente. El modelo mejorado muestra una precisión superior y tasas de detección de fallos más bajas en tareas de reconocimiento de cártamo, proporcionando una base algorítmica sólida para la cosecha inteligente de cártamo.
Descripción
El reconocimiento preciso del cártamo es un desafío crítico en la investigación del campo de la cosecha automatizada de cártamo. El entorno de crecimiento del cártamo, que incluye factores como condiciones climáticas variables en entornos no estructurados, distancias de disparo y diversas características morfológicas, presenta dificultades significativas para la detección. Para abordar estos desafíos y permitir un reconocimiento preciso del objetivo de cártamo en entornos complejos, este estudio propone un modelo mejorado de detección de cártamo, WED-YOLO, basado en YOLOv8n. En primer lugar, la función de pérdida de cuadro delimitador original se reemplaza por el mecanismo de enfoque dinámico no monótono Wise Intersection over Union (WIoU), que mejora la capacidad de ajuste del cuadro delimitador del modelo y acelera la convergencia de la red. Luego, el módulo de upsampling en el cuello de la red se sustituye por el módulo de upsampling dinámico más eficiente y versátil, DySample, para mejorar la precisión del upsampling del mapa de características. Mientras tanto, el mecanismo de atención EMA se integra en el módulo C2f de la red principal para fortalecer las capacidades de extracción de características del modelo. Finalmente, se incorpora una capa de detección de objetivos pequeños en la cabeza de detección, lo que permite que el modelo se centre en los pequeños objetivos de cártamo. El modelo se entrena y valida utilizando un conjunto de datos de cártamo personalizado. Los resultados experimentales demuestran que el modelo mejorado logra valores de Precisión (), Recall (), Precisión Promedio (), y puntuación de 93.15%, 86.71%, 95.03% y 89.64%, respectivamente. Estos resultados representan mejoras de 2.9%, 6.69%, 4.5% y 6.22% sobre el modelo base. En comparación con Faster R-CNN, YOLOv5, YOLOv7 y YOLOv10, el WED-YOLO logró el valor más alto. Supera al módulo mencionado en un 13.06%, 4.85%, 4.86% y 4.82%, respectivamente. El modelo mejorado muestra una precisión superior y tasas de detección de fallos más bajas en tareas de reconocimiento de cártamo, proporcionando una base algorítmica sólida para la cosecha inteligente de cártamo.