为平衡有限算力嵌入式系统检测目标的实时性和准确率,基于Roofline理论以降低访存量和计算量为出发点提出一种YOLOv8n-Light橙果识别模型。引入ShuffleNetv2轻量级主干网络代替原Backbone复杂冗余卷积,根据橙果目标特点设计基于共享卷...为平衡有限算力嵌入式系统检测目标的实时性和准确率,基于Roofline理论以降低访存量和计算量为出发点提出一种YOLOv8n-Light橙果识别模型。引入ShuffleNetv2轻量级主干网络代替原Backbone复杂冗余卷积,根据橙果目标特点设计基于共享卷积的轻量化探头以替换原检测头,借助SEAttention注意力机制重构Concat模块,结合MPDIoU与Focaler-IoU思想优化损失函数以重分配准确率(P)与召回率(R)比例,利用2500幅图像数据构建改进模型数据集。结果表明,改进模型YOLOv8n-Light准确率为96.5%,较原YOLOv8n模型提升2.2个百分点,召回率为89.5%,平均精度(mAP)为97.0%;在Raspberry Pi 4B 8G平台上推理速度为每秒2.8帧,较原模型提升64.7%;果园试验中引导采摘机械臂末端执行器在X、Y、Z方向上的平均定位误差分别为2.48、3.13、4.13 mm,识别准确率97.59%,定位准确率96.39%,采摘成功率93.98%。该算法可为柑橘类果实识别模型轻量化改进和采摘机具研发提供依据和参考。展开更多
文摘为平衡有限算力嵌入式系统检测目标的实时性和准确率,基于Roofline理论以降低访存量和计算量为出发点提出一种YOLOv8n-Light橙果识别模型。引入ShuffleNetv2轻量级主干网络代替原Backbone复杂冗余卷积,根据橙果目标特点设计基于共享卷积的轻量化探头以替换原检测头,借助SEAttention注意力机制重构Concat模块,结合MPDIoU与Focaler-IoU思想优化损失函数以重分配准确率(P)与召回率(R)比例,利用2500幅图像数据构建改进模型数据集。结果表明,改进模型YOLOv8n-Light准确率为96.5%,较原YOLOv8n模型提升2.2个百分点,召回率为89.5%,平均精度(mAP)为97.0%;在Raspberry Pi 4B 8G平台上推理速度为每秒2.8帧,较原模型提升64.7%;果园试验中引导采摘机械臂末端执行器在X、Y、Z方向上的平均定位误差分别为2.48、3.13、4.13 mm,识别准确率97.59%,定位准确率96.39%,采摘成功率93.98%。该算法可为柑橘类果实识别模型轻量化改进和采摘机具研发提供依据和参考。
