-
题名基于改进YOLO v8n的轻量化茶叶嫩芽识别模型
- 1
-
-
作者
宋敏
谭立新
胡程喜
王文胤
巢理
-
机构
湖南农业大学信息与智能科学技术学院
湖南信息职业技术学院电子工程学院
广西科技师范学院职业技术教育学院(上汽通用五菱汽车产业学院)
-
出处
《江苏农业科学》
北大核心
2024年第21期229-236,共8页
-
基金
中国高校产学研创新基金(编号:2022IT182)
湖南省教育科学规划课题(编号:XJK24BZY037)。
-
文摘
针对智能采茶机器人在茶叶嫩芽检测过程中存在的准确率低、计算量大、检测鲁棒性不足等问题,提出一种基于改进YOLO v8n网络模型的茶叶嫩芽检测算法YOLO v8-TD。该算法分别在不同天气(晴天、阴天、雨后)及不同季节(春、秋)采用不同角度拍摄嫩芽图像,构建数据集,利用翻转、旋转、改变亮度、添加噪声等操作来进行数据增强,以加强模型在实际环境中光照、角度不同的鲁棒性。在算法结构上,YOLO v8-TD对YOLO v8n模型的骨干网络和颈部网络进行改进。首先,在C2f模块中引入了可扩张残差(DWR)注意力机制,用于增强特征提取能力,使模型能够更准确地识别出茶叶嫩芽的细微特征。其次,模型引入双向特征金字塔网络(BiFPN)结构,用于增强多尺度和通道间的上下文信息捕获能力,减少信息冗余,使模型能够在多种尺度下精确定位目标。最后,借鉴VoV-GSCSP模块的思想,改进模型颈部网络,通过采用分组卷积和通道混洗技术,降低模型的复杂度和计算量,提高算法的运行效率。试验结果表明,原始模型在加入DWR可扩张残差注意力机制后,平均精度上升1.4百分点,计算量减少0.1 GFLPs;叠加BiFPN结构后,有效实现轻量化,计算量降为7.1 GFLPs减少了1 GFLPs,但平均精度降为95.4%;最后加入VoV-GSCSP模块构建成YOLO v8-TD,平均精度达到97.2%,计算量降至6.6 GFLPs,模型参数量相较原模型减少36.5%。与Faster-RCNN、SSD、RT-DETR、YOLO v3、YOLO v5和YOLO v8n模型相比,YOLO v8-TD在检测精度和模型参数量大小方面做出了较好的平衡,进而为采茶机器人轻量化部署提供了有效参考。
-
关键词
茶叶
改进YOLO
v8
轻量化
高精度
嫩芽识别
注意力机制
BiFPN
采茶机器人
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
S126
[农业科学—农业基础科学]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
