[目的/意义]为解决番茄叶片病虫害检测中面临的环境复杂、目标小、精度低、参数冗余及计算复杂度高等问题,提出了一种新型轻量化、高精度、实时的检测模型——YOLOv10n-YS (You Only Look Once Version10-YS)。[方法]首先,采用C2f_RepVi...[目的/意义]为解决番茄叶片病虫害检测中面临的环境复杂、目标小、精度低、参数冗余及计算复杂度高等问题,提出了一种新型轻量化、高精度、实时的检测模型——YOLOv10n-YS (You Only Look Once Version10-YS)。[方法]首先,采用C2f_RepViTBlock模块替换主干网络的C2f,减少了模型的计算量和参数量。其次,加入带切片操作的注意力机制SimAM,结合原有卷积形成Conv_SWS模块,提升了小目标的特征提取能力。另外,在颈部网络中使用DySample轻量动态上采样模块,使采样点集中在目标区域而不会关注背景部分,实现病虫害的有效识别。最后,将跨通道交互的高效率通道注意力(Efficient Channel Attention with Cross-Channel Interaction,EMCA)替换主干网络的金字塔空间注意力机制(Pyramid Spatial Attention, PSA),进一步提高了主干网络的特征提取能力。[结果与讨论]实验结果显示,YOLOv10n-YS模型在番茄病虫害数据集上展现出了卓越的性能。其平均识别精度、检测准确率和召回率分别达到了92.1%、89.2%和82.1%,相较于原模型,这些指标分别提升了3.8、3.3和4.2个百分点。同时,模型在参数量和计算量上也实现了显著的优化,分别减少了13.8%和8.5%。[结论]这些改进不仅提升了模型的性能,还保持了其轻量化特性,对番茄叶片病虫害的检测具有重要参考价值。展开更多
针对无人机航拍图像目标检测中计算资源受限和多尺度小目标检测难度大,基于YOLOv10n模型,提出一种轻量化检测模型YOLOv10n-CIG。首先,设计C2f-CW(C2f with convolutional wise)替换C2f模块,通过结合部分卷积和逐点卷积优化计算资源,提...针对无人机航拍图像目标检测中计算资源受限和多尺度小目标检测难度大,基于YOLOv10n模型,提出一种轻量化检测模型YOLOv10n-CIG。首先,设计C2f-CW(C2f with convolutional wise)替换C2f模块,通过结合部分卷积和逐点卷积优化计算资源,提升推理速度并增强多尺度特征融合效果。其次,去除Backbone的最后一次下采样层,并改进SPPF为SPPF-IP(SPPF with involution parallel structure),以保留小目标的细粒度空间信息,进一步提高多尺度特征融合性能。最后,引入了基于组卷积的轻量化检测头GHead(GConv Head,GHead),通过优化组卷积参数,使得检测精度、模型大小与推理速度之间达到了平衡。实验结果表明,YOLOv10n-CIG模型相较于原YOLOv10n模型而言,在mAP50上提升了5.3%,在模型大小上减少了1.12 MB,在推理速度上,分别在Ubuntu和Jetson提升59 FPS和9 FPS。与当前主流算法相比,YOLOv10n-CIG在各项指标上综合表现较好。展开更多
红外小目标检测在红外制导、跟踪系统等军事领域中有着广泛的应用,是红外图像处理中的一个重要方向。由于检测设备的限制和红外小目标固有信息的缺失,现有的检测方法难以满足实际的性能要求。为探索兼具轻量化和高检测精度的红外小目标...红外小目标检测在红外制导、跟踪系统等军事领域中有着广泛的应用,是红外图像处理中的一个重要方向。由于检测设备的限制和红外小目标固有信息的缺失,现有的检测方法难以满足实际的性能要求。为探索兼具轻量化和高检测精度的红外小目标检测模型,以YOLOv10n为基础,设计轻量且高效的YOLOv10n红外小目标检测模型(Lightweight YOLOv10n,L-YOLOv10n)。通过轻量级空间通道解耦下采样(Lightweight Spatial-Channel decoupled Downsampling,L-SCDown)模块替换YOLOv10n中的SCDown模块,以较低计算成本增强红外小目标的关键特征;采用轻量级具有2个卷积的跨阶段部分瓶颈(Lightweight Cross-stage partial convolution with Two Fusion layers,L-C2f)模块替代C2f模块,在降低计算成本的同时增强小目标边缘信息并提取多尺度特征。针对红外小目标像素少、前景与背景不平衡的问题,引入Focal Loss和更加聚焦的交并比(Focaler Intersection over Union loss,Focaler-IOU)损失函数,使模型更聚焦于难检测的目标。在公开数据集SIRST-V2和NUDT-SIRST上的实验结果表明:L-YOLOv10n的检测性能和资源消耗显著优于基于检测的模型,对于分割模型,L-YOLOv10n的检测性能略低于基于Transformer的分割模型,但是L-YOLOv10n的资源消耗显著优于其他模型;在NUDT-SIRST数据集上的泛化性能也远高于绝大多数的红外小目标检测模型。研究结果表明,新提出的模型在资源消耗和高精度检测之间取得了平衡,具有一定的实用性。展开更多
文摘[目的/意义]为解决番茄叶片病虫害检测中面临的环境复杂、目标小、精度低、参数冗余及计算复杂度高等问题,提出了一种新型轻量化、高精度、实时的检测模型——YOLOv10n-YS (You Only Look Once Version10-YS)。[方法]首先,采用C2f_RepViTBlock模块替换主干网络的C2f,减少了模型的计算量和参数量。其次,加入带切片操作的注意力机制SimAM,结合原有卷积形成Conv_SWS模块,提升了小目标的特征提取能力。另外,在颈部网络中使用DySample轻量动态上采样模块,使采样点集中在目标区域而不会关注背景部分,实现病虫害的有效识别。最后,将跨通道交互的高效率通道注意力(Efficient Channel Attention with Cross-Channel Interaction,EMCA)替换主干网络的金字塔空间注意力机制(Pyramid Spatial Attention, PSA),进一步提高了主干网络的特征提取能力。[结果与讨论]实验结果显示,YOLOv10n-YS模型在番茄病虫害数据集上展现出了卓越的性能。其平均识别精度、检测准确率和召回率分别达到了92.1%、89.2%和82.1%,相较于原模型,这些指标分别提升了3.8、3.3和4.2个百分点。同时,模型在参数量和计算量上也实现了显著的优化,分别减少了13.8%和8.5%。[结论]这些改进不仅提升了模型的性能,还保持了其轻量化特性,对番茄叶片病虫害的检测具有重要参考价值。
文摘番茄是中国重要的经济作物之一,为解决番茄叶片病害在多类别、小目标、不同环境状况下检测精度不高的问题,研究提出ADD-YOLOv10n目标检测模型。首先对YOLOv10n主干网络进行改进,将可变核卷积(alterable kernel convolution,AKConv)融入主干网络,替换掉第二层的Conv,突破传统卷积局限于固定窗口和固定采样形状的限制。在主干末尾加入DAttention注意力机制,添加可变形注意力和动态采样点,动态选择、重点识别番茄叶片病害集中的区域。最后将最邻近上采样算子优化为DySample算子,不增加额外大量的计算量和参数,降低计算复杂度。经过对比实验,可以看到ADD-YOLOv10n模型的平均精度均值(mean average precision,mAP)达到71.8%,比YOLOv10n原模型高2.4%,准确率(precision,P)、召回率(recall,R)和F1分数分别为71.9%、68.3%和70.1%,比YOLOv10n原模型分别高2.4%、4.4%和3.5%,并且参数数量、模型大小和计算复杂度都有所下降。研究改进的ADD-YOLOv10n模型,能够更好地满足实际农业生产中对番茄叶片病害的实时精准检测,也为后续的智能浇灌、病害修复等农业自动化操作提供技术支持。
文摘红外小目标检测在红外制导、跟踪系统等军事领域中有着广泛的应用,是红外图像处理中的一个重要方向。由于检测设备的限制和红外小目标固有信息的缺失,现有的检测方法难以满足实际的性能要求。为探索兼具轻量化和高检测精度的红外小目标检测模型,以YOLOv10n为基础,设计轻量且高效的YOLOv10n红外小目标检测模型(Lightweight YOLOv10n,L-YOLOv10n)。通过轻量级空间通道解耦下采样(Lightweight Spatial-Channel decoupled Downsampling,L-SCDown)模块替换YOLOv10n中的SCDown模块,以较低计算成本增强红外小目标的关键特征;采用轻量级具有2个卷积的跨阶段部分瓶颈(Lightweight Cross-stage partial convolution with Two Fusion layers,L-C2f)模块替代C2f模块,在降低计算成本的同时增强小目标边缘信息并提取多尺度特征。针对红外小目标像素少、前景与背景不平衡的问题,引入Focal Loss和更加聚焦的交并比(Focaler Intersection over Union loss,Focaler-IOU)损失函数,使模型更聚焦于难检测的目标。在公开数据集SIRST-V2和NUDT-SIRST上的实验结果表明:L-YOLOv10n的检测性能和资源消耗显著优于基于检测的模型,对于分割模型,L-YOLOv10n的检测性能略低于基于Transformer的分割模型,但是L-YOLOv10n的资源消耗显著优于其他模型;在NUDT-SIRST数据集上的泛化性能也远高于绝大多数的红外小目标检测模型。研究结果表明,新提出的模型在资源消耗和高精度检测之间取得了平衡,具有一定的实用性。
