针对目前咖啡果实的成熟度主要依赖人工判断且果实相互遮挡导致识别难度大的问题,文章提出一种改进的YOLOv8模型的咖啡果实成熟度检测方法。首先,在Backbone端使用iRMB(Inverted Residual Mobile Block)混合网络模块替换C2f(CSP Bottlen...针对目前咖啡果实的成熟度主要依赖人工判断且果实相互遮挡导致识别难度大的问题,文章提出一种改进的YOLOv8模型的咖啡果实成熟度检测方法。首先,在Backbone端使用iRMB(Inverted Residual Mobile Block)混合网络模块替换C2f(CSP Bottleneck with 2 Convolutions),增强模型特征表示能力;其次,引入BiFormer注意力机制,增强对遮挡和小目标果实的检测能力,更换CARAFE(Content-Aware ReAssembly of Features)上采样算子,拓宽感受视野;最后,引入Wise-IOU损失函数,加速模型收敛。经验证,相比于原算法,改进算法的精确率、召回率、平均精确率分别提升了6.1百分点、1.0百分点、2.9百分点。研究结果表明,改进的YOLOv8模型可以为咖啡果实的成熟度检测提供有效参考。展开更多
为了实现对水稻病害的精准检测,文章基于YOLOv8n模型(You Only Look Once version 8 nano)提出了一个全新的改进模型YOLO-Rice。该模型通过3项关键的技术创新,提升了对水稻叶片和稻穗病害的检测精度。首先模型在骨干网络中引入CBAM(Conv...为了实现对水稻病害的精准检测,文章基于YOLOv8n模型(You Only Look Once version 8 nano)提出了一个全新的改进模型YOLO-Rice。该模型通过3项关键的技术创新,提升了对水稻叶片和稻穗病害的检测精度。首先模型在骨干网络中引入CBAM(Convolutional Block Attention Module)卷积注意力机制;其次模型采用Gold-YOLO的GD(Gather-and-Distribute)机制,在模型的颈部进行特征融合;最后更换了传统的损失函数,采用WIoU作为新的损失函数。通过上述改进,YOLO-Rice模型在平均精度均值(mAP 50%)上实现了3.4百分点的显著提升,最终达到了96.0%的准确率,充分证明了YOLO-Rice模型在水稻病害检测任务中的有效性。展开更多
文摘针对目前咖啡果实的成熟度主要依赖人工判断且果实相互遮挡导致识别难度大的问题,文章提出一种改进的YOLOv8模型的咖啡果实成熟度检测方法。首先,在Backbone端使用iRMB(Inverted Residual Mobile Block)混合网络模块替换C2f(CSP Bottleneck with 2 Convolutions),增强模型特征表示能力;其次,引入BiFormer注意力机制,增强对遮挡和小目标果实的检测能力,更换CARAFE(Content-Aware ReAssembly of Features)上采样算子,拓宽感受视野;最后,引入Wise-IOU损失函数,加速模型收敛。经验证,相比于原算法,改进算法的精确率、召回率、平均精确率分别提升了6.1百分点、1.0百分点、2.9百分点。研究结果表明,改进的YOLOv8模型可以为咖啡果实的成熟度检测提供有效参考。
文摘为了实现对水稻病害的精准检测,文章基于YOLOv8n模型(You Only Look Once version 8 nano)提出了一个全新的改进模型YOLO-Rice。该模型通过3项关键的技术创新,提升了对水稻叶片和稻穗病害的检测精度。首先模型在骨干网络中引入CBAM(Convolutional Block Attention Module)卷积注意力机制;其次模型采用Gold-YOLO的GD(Gather-and-Distribute)机制,在模型的颈部进行特征融合;最后更换了传统的损失函数,采用WIoU作为新的损失函数。通过上述改进,YOLO-Rice模型在平均精度均值(mAP 50%)上实现了3.4百分点的显著提升,最终达到了96.0%的准确率,充分证明了YOLO-Rice模型在水稻病害检测任务中的有效性。