基于改进YOLOv8n的茶叶嫩稍检测方法

S21%S24; 针对名优茶智能采摘中茶叶嫩梢识别精度不足的问题,该研究对YOLOv8n模型进行优化.首先,在主干网络中引入动态蛇形卷积(dynamic snake convolution,DSConv),增强模型对茶叶嫩梢形状信息的捕捉能力;其次,将颈部的路径聚合网络(path aggregation network,PANet)替换为加权双向特征金字塔网络(bi-directional feature pyramid network,BiFPN),强化模型的特征融合效能;最后,在颈部网络的每个C2F模块后增设了无参注意力模块(simple attention module,SimAM),提...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 40; no. 12; pp. 165 - 封3
Main Authors 杨大勇, 黄正栎, 郑昌贤, 陈宏涛, 江新凤
Format Journal Article
LanguageChinese
Published 南昌大学先进制造学院,南昌 330031%江西省经济作物研究所/江西省茶叶质量与安全控制重点实验室/特色果树茶叶种植与高值利用江西省重点实验室,南昌 330046 01.06.2024
Subjects
image processing
目标检测
object detection
名优茶
tea shoots
茶叶嫩梢
intelligent picking
图像处理
premium teas
图像识别
YOLOv8n
image recognition
智能采摘
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.202401155

Cover

More Information
Summary:S21%S24; 针对名优茶智能采摘中茶叶嫩梢识别精度不足的问题,该研究对YOLOv8n模型进行优化.首先,在主干网络中引入动态蛇形卷积(dynamic snake convolution,DSConv),增强模型对茶叶嫩梢形状信息的捕捉能力;其次,将颈部的路径聚合网络(path aggregation network,PANet)替换为加权双向特征金字塔网络(bi-directional feature pyramid network,BiFPN),强化模型的特征融合效能;最后,在颈部网络的每个C2F模块后增设了无参注意力模块(simple attention module,SimAM),提升模型对茶叶嫩梢的识别关注度.试验结果表明,改进后的模型比原始模型的精确率(precision,P)、召回率(recall,R)、平均精确率均值(mean average precision,mAP)、F1得分(F1 score,F1)分别提升了 4.2、2.9、3.7和3.3个百分点,推理速度为42帧/s,模型大小为6.7MB,满足低算力移动设备的部署条件.与Faster-RCNN、YOLOv5n、YOLOv7n和YOLOv8n目标检测算法相比,该研究提出的改进模型精确率分别高出57.4、4.4、4.7和4.2个百分点,召回率分别高出53.0、3.6、2.8和2.9个百分点,平均精确率均值分别高出58.9、5.0、4.6和3.7个百分点,F1得分分别高出了 56.8、3.9、3.7和3.3个百分点,在茶叶嫩梢检测任务中展现出了更高的精确度和更低的漏检率,能够为名优茶的智能采摘提供算法参考.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.202401155