自学内容网 自学内容网
自学内容网 > 正文

论文3—《基于改进 YOLOv5s 的复杂环境下新梅检测方法》文献阅读分析报告

🕗 发布于 2024-11-08 18:06 YOLO  缺陷检测  目标检测  

论文报告：基于改进 YOLOv5s 的复杂环境下新梅检测方法

论文报告文档

在这里插入图片描述

标题

基于改进 YOLOv5s 的复杂环境下新梅检测方法

摘要

本研究旨在解决新梅在树干树叶遮挡、果实重叠情况下难以准确检测的问题，提出了新梅目标检测模型 SFFYOLOv5s。通过在 YOLOv5s 模型的基础上引入 CA（coordinate attention）注意力机制、加权双向特征金字塔网络，并替换损失函数为 SIoU，提高了模型的检测准确率和速度。实验结果表明，SSF-YOLOv5s 模型在新梅检测准确率为 93.4%，召回率为 92.9%，平均精度均值为 97.7%，模型权重仅为 13.6MB，单幅图像平均检测时间为 12.1ms，相较于其他模型有显著提升，能够满足果园复杂环境下对新梅进行实时检测的需求。

文献的目的

该研究的目的是提高新梅在复杂果园环境下的检测准确率和速度，以支持新梅采摘机器人的视觉感知环节，减少人工采摘的需求，提高采摘效率。

研究问题

研究主要解决的问题是如何提高新梅在果园中树干树叶遮挡、果实重叠等复杂环境下的检测准确率和速度。

使用的方法

  1. 数据集构建：在真实果园环境下构建新梅数据集，采集不同光照、姿态、遮挡情况下的新梅图像。在这里插入图片描述

  2. 模型改进：

    • 在 Backbone 骨干网络 C3 模块中引入 CA 注意力机制。
    • 在 Neck 层中引入加权双向特征金字塔网络。
    • 使用 SIoU 损失函数替换原模型中的 CIoU 损失函数。

  3. 数据增强：包括离线增强和 Mosaic 在线增强，以增加图像数据的多样性和鲁棒性。

  4. 模型训练与测试：使用改进后的模型在训练集、验证集和测试集上进行训练和测试。
    在这里插入图片描述

主要发现

  • SSF-YOLOv5s 模型在新梅检测的准确率、召回率和平均精度均值上均有显著提升。
  • 模型在轻量化方面表现优异，权重仅为 13.6MB，单幅图像平均检测时间为 12.1ms。
  • 与 Faster R-CNN、YOLOv3、YOLOv4、YOLOv5s、YOLOv7、YOLOv8s 等模型相比，SSF-YOLOv5s 在平均精度均值上分别提升了 3.6、6.8、13.1、0.6、0.4、0.5 个百分点。
    在这里插入图片描述
    在这里插入图片描述

作者的结论

SSF-YOLOv5s 模型能够有效提高新梅在果园复杂环境下的检测准确率和速度，满足实时检测的需求，为新梅采摘机器人的视觉感知提供了技术支持。

创新点

  1. CA 注意力机制的引入：在 YOLOv5s 的 Backbone 网络中引入 CA 注意力机制，增强了模型对新梅关键特征信息的提取能力。
  2. 加权双向特征金字塔网络：在 Neck 层中引入该网络，增强了模型不同特征层之间的融合能力，提高了对重叠果实的识别能力。
  3. SIoU 损失函数的应用：替换原模型中的 CIoU 损失函数，提高了模型的检测准确率和收敛速度。

对现有研究的贡献

本研究通过改进 YOLOv5s 模型，提供了一种新的解决方案来提高新梅在复杂环境下的检测性能，对农业自动化采摘技术的发展具有重要意义。此外，该研究的方法和发现可以推广到其他农作物果实的检测，为农业智能化提供了技术支持。

针对上述论文内容，以下是一些有效的参考资料，可以帮助您更深入地了解相关领域和技术：

1. YOLO系列模型

  • Redmon, J., Divakaran, A., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
  • Redmon, J., & Farhadi, A. (2018). YOLOv3: An Incremental Improvement. arXiv preprint arXiv:1804.02767.
  • Bochkovskiy, A., Wang, C., & Liao, H. Y. M. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv preprint arXiv:2004.02864.

2. 注意力机制

  • Hu, J., Shen, L., & Sun, G. (2018). Squeeze-and-Excitation Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 41(8), 2011-2013.
  • Woo, S., Park, J., Lee, J. Y., & Kweon, I. (2018). CBAM: Convolutional Block Attention Module. In Proceedings of the European Conference on Computer Vision (ECCV).
  • Wang, Q., Wu, B., Zhu, P., & Zhang, L., et al. (2020). ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence.

3. 特征金字塔网络

  • Lin, T. Y., Dollár, P., & Girshick, R., et al. (2017). Feature Pyramid Networks for Object Detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR).

4. 损失函数

  • Lin, T. Y., Goyal, P., Girshick, R., et al. (2018). Focal Loss for Dense Object Detection. In Proceedings of the IEEE International Conference on Computer Vision (ICCV).
  • Gevorgyan, Z. (2022). SIoU Loss: More Powerful Learning for Bounding Box Regression. arXiv preprint arXiv:2004.01888.

5. 农业机器人与自动化

  • Wang, R., Zhu, L., Zhao, B., et al. (2022). Current Status and Typical Applications of Agricultural Robot Technology. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 12(4), 5-11.
  • Zhang, Y. F., Ren, W., Zhang, Z., et al. (2022). Focal and Efficient IoU Loss for Accurate Bounding Box Regression. Neurocomputing, 506, 146-157.

6. 深度学习与图像处理

  • Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
  • Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks. In Advances in Neural Information Processing Systems (NIPS).

这些资料涵盖了从基础的深度学习理论到具体的技术实现，以及农业自动化领域的最新研究进展，对于深入理解和扩展论文中提到的技术和方法非常有帮助。


原文地址：https://blog.csdn.net/weixin_44445800/article/details/143628162

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

相关文章

自学内容网
Copyright © 2015-2024