青橘智能收获依赖快速精准的检测技术。针对青橘尺寸多样、果园环境复杂及果实与背景相似度高导致的检测精度不足和漏检问题,本研究提出了一种轻量且高精度的青橘检测模型(RT-GCTR)。该模型采用大感受野小波卷积模块(WCLRF_Block)增强...青橘智能收获依赖快速精准的检测技术。针对青橘尺寸多样、果园环境复杂及果实与背景相似度高导致的检测精度不足和漏检问题,本研究提出了一种轻量且高精度的青橘检测模型(RT-GCTR)。该模型采用大感受野小波卷积模块(WCLRF_Block)增强多尺寸目标特征提取,结合多尺度多头自注意力机制(MSMHSA)构建多尺度融合模块(MSMH-AIFI),自适应聚合多尺度特征,并引入SPDConv与CSP-OmniKernel模块设计SCOK-CCFF特征金字塔,提升小目标检测精度。实验结果表明,RT-GCTR在训练数据集1和测试数据集2上的AP50分别为92.0%和92.2%,优于其他先进模型。与RT-DETR-r18相比,RT-GCTR的参数量和浮点运算量分别减少26.7%和25.4%,在NVIDIA Jetson Orin NX上检测速度达10.3 fps。本研究在降低复杂度的同时,提升了精度和实时性,满足边缘设备需求。展开更多
文摘青橘智能收获依赖快速精准的检测技术。针对青橘尺寸多样、果园环境复杂及果实与背景相似度高导致的检测精度不足和漏检问题,本研究提出了一种轻量且高精度的青橘检测模型(RT-GCTR)。该模型采用大感受野小波卷积模块(WCLRF_Block)增强多尺寸目标特征提取,结合多尺度多头自注意力机制(MSMHSA)构建多尺度融合模块(MSMH-AIFI),自适应聚合多尺度特征,并引入SPDConv与CSP-OmniKernel模块设计SCOK-CCFF特征金字塔,提升小目标检测精度。实验结果表明,RT-GCTR在训练数据集1和测试数据集2上的AP50分别为92.0%和92.2%,优于其他先进模型。与RT-DETR-r18相比,RT-GCTR的参数量和浮点运算量分别减少26.7%和25.4%,在NVIDIA Jetson Orin NX上检测速度达10.3 fps。本研究在降低复杂度的同时,提升了精度和实时性,满足边缘设备需求。
