文献类型：期刊文章

作　　者：张新月[1] 胡广锐[1] 李浦航[1] 曹晓明[1] 张浩[1] 陈军[1] 杨亮亮[2]

ZHANG Xinyue;HU Guangrui;LI Puhang;CAO Xiaoming;ZHANG Hao;CHEN Jun;YANG Liangliang(College of Mechanical and Electronic Engineering,Northwest A&F University,Yangling 712100,China;Faculty of Engineering,Kitami Institute of Technology,Hokkaido 090-8507,Japan)

机构地区：[1]西北农林科技大学机械与电子工程学院,杨凌712100 [2]北见工业大学工学部,北海道090-8507

出　　处：《农业工程学报》

基　　金：国家自然科学基金项目(No.32272001);宁夏回族自治区揭榜挂帅项目(No.2022BBF01002)。

年　　份：2024

卷　　号：40

期　　号：13

起止页码：163-170

语　　种：中文

收录情况：AJ、BDHX、BDHX2023、CAB、CAS、CSCD、CSCD2023_2024、EAPJ、EI、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为解决智能化采收中红花识别易受田间复杂环境、设备计算资源等限制的问题,该研究提出一种基于改进YOLOv8n的轻量化红花识别方法,以便将模型部署在移动端上进行目标检测。该研究应用Vanillanet轻量化网络结构代替YOLOv8n的骨干特征提取网络,降低了模型的复杂程度;将大型可分离核注意力模块(large separable kernel attention,LSKA)引入特征融合网络,以降低存储量和计算资源消耗;将YOLOv8n的损失函数从中心点与边界框的重叠联合(center intersection of union, CIoU)替换为动态非单调的聚焦机制(wise intersection of union, WIoU)提升检测器的总体性能;并选用随机梯度下降算法(stochastic gradient descent, SGD)进行模型训练,以提高模型鲁棒性。试验结果表明,改进后的轻量化模型每秒传输帧数(frames per second, FPS)为123.46帧/s,与原YOLOv8n模型相比提高了7.41%,而模型大小为3.00MB,仅为原来的50.17%,并且精确度(precision, P)和平均精度值(mean average precision, mAP)达到了93.10%和96.40%,与YOLOv5s与YOLOv7-tiny检测模型相比,FPS分别提高了25.93%和19.76%,模型大小为原模型的21.90%和25.86%,研究结果可为后续红花的智能化采收装备研发提供技术支持。

关 键 词：图像识别 模型  目标检测 YOLOv8n  Vanillanet  轻量化 红花采摘  

分 类 号：S24] TP391[农业工程类]