Yolov8n-CSE: un modelo para detectar litchi en entornos nocturnos
Autores: Cao, Hao; Zhang, Gengming; Zhao, Anbang; Wang, Quanchao; Zou, Xiangjun; Wang, Hongjun
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Yolov8n-CSE: un modelo para detectar litchi en entornos nocturnos
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Detección de racimo de fruta de lichi
Entorno nocturno
Modelo YOLOv8n-CSE
Precisión
Fuente de luz artificial
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
La detección precisa del racimo de frutas de lichi es la tecnología clave del robot recolector de lichi. En el entorno natural durante el día, debido a la intensidad de luz inestable, ángulo de luz incierto, desorden de fondo y otros factores, la precisión de identificación y posicionamiento del racimo de frutas de lichi se ve enormemente afectada. Por lo tanto, propusimos un método para detectar el racimo de frutas de lichi en el entorno nocturno. El uso de una fuente de luz artificial y un ángulo fijo puede mejorar efectivamente la precisión de identificación y posicionamiento del racimo de frutas de lichi. Dado la baja intensidad de luz y las características de imagen reducidas en el entorno nocturno, propusimos el modelo YOLOv8n-CSE. El modelo mejora el reconocimiento de los racimos de lichi en entornos nocturnos. Específicamente, utilizamos YOLOv8n como modelo inicial e introducimos el módulo CPA-Enhancer con mecanismo de pensamiento en cadena en la parte del cuello del modelo, para que la red pueda aliviar problemas como la degradación de las características de imagen en el entorno nocturno. Además, se adoptó el patrón de diseño VoVGSCSP en Slimneck para la parte del cuello, lo que hizo que el modelo fuera más ligero. El mecanismo de atención lineal multi-escala y el módulo EfficientViT, que puede ser dividido en profundidad, mejoraron aún más la precisión de detección y la tasa de detección de YOLOv8n-CSE. Los resultados experimentales muestran que el modelo propuesto YOLOv8n-CSE no solo puede reconocer los racimos de lichi en la escena nocturna, sino que también tiene una mejora significativa respecto a los modelos anteriores. En mAP@0.5 y F1, YOLOv8n-CSE logró 98.86% y 95.54% respectivamente. En comparación con el YOLOv8n original, RT-DETR-l y YOLOv10n, mAP@0.5 se incrementa en 4.03%, 3.46% y 3.96%, respectivamente. Cuando el número de parámetros es solo 4.93 m, los puntajes de F1 se incrementan en 5.47%, 2.96% y 6.24%, respectivamente. YOLOv8n-CSE logra un tiempo de inferencia de 36.5ms para los resultados de detección deseados. En resumen, el modelo puede satisfacer los criterios del sistema de detección de racimos de lichi para una identificación extremadamente precisa en entornos nocturnos.
Descripción
La detección precisa del racimo de frutas de lichi es la tecnología clave del robot recolector de lichi. En el entorno natural durante el día, debido a la intensidad de luz inestable, ángulo de luz incierto, desorden de fondo y otros factores, la precisión de identificación y posicionamiento del racimo de frutas de lichi se ve enormemente afectada. Por lo tanto, propusimos un método para detectar el racimo de frutas de lichi en el entorno nocturno. El uso de una fuente de luz artificial y un ángulo fijo puede mejorar efectivamente la precisión de identificación y posicionamiento del racimo de frutas de lichi. Dado la baja intensidad de luz y las características de imagen reducidas en el entorno nocturno, propusimos el modelo YOLOv8n-CSE. El modelo mejora el reconocimiento de los racimos de lichi en entornos nocturnos. Específicamente, utilizamos YOLOv8n como modelo inicial e introducimos el módulo CPA-Enhancer con mecanismo de pensamiento en cadena en la parte del cuello del modelo, para que la red pueda aliviar problemas como la degradación de las características de imagen en el entorno nocturno. Además, se adoptó el patrón de diseño VoVGSCSP en Slimneck para la parte del cuello, lo que hizo que el modelo fuera más ligero. El mecanismo de atención lineal multi-escala y el módulo EfficientViT, que puede ser dividido en profundidad, mejoraron aún más la precisión de detección y la tasa de detección de YOLOv8n-CSE. Los resultados experimentales muestran que el modelo propuesto YOLOv8n-CSE no solo puede reconocer los racimos de lichi en la escena nocturna, sino que también tiene una mejora significativa respecto a los modelos anteriores. En mAP@0.5 y F1, YOLOv8n-CSE logró 98.86% y 95.54% respectivamente. En comparación con el YOLOv8n original, RT-DETR-l y YOLOv10n, mAP@0.5 se incrementa en 4.03%, 3.46% y 3.96%, respectivamente. Cuando el número de parámetros es solo 4.93 m, los puntajes de F1 se incrementan en 5.47%, 2.96% y 6.24%, respectivamente. YOLOv8n-CSE logra un tiempo de inferencia de 36.5ms para los resultados de detección deseados. En resumen, el modelo puede satisfacer los criterios del sistema de detección de racimos de lichi para una identificación extremadamente precisa en entornos nocturnos.