基于改进YOLOv5香菇成熟度检测模型

准确检测成熟度对香菇智能化采摘具有重要意义,因此提出一种基于改进YOLOv5实例分割香菇的成熟度检测方法。该方法在骨干网络的C3模块中添加挤压和激发模块(SENet),增强了对香菇具体特征的学习能力,同时将颈部网络中的2个卷积模块替换为可变形卷积模块(Deformable Convnets v2, DCN v2),使网络更好地适应目标香菇的形状和位置变化,提高成熟度检测的准确率和鲁棒性。实验表明,改进后的模型识别香菇成熟度的检测精度达到91.7%,较原模型提高了6.1%,检测的准确性与可靠性均优于原模型,为香菇智能化种植推广提供了技术支撑。

改进YOLOv8n的小目标检测算法

针对复杂场景中目标特征不明显易出现漏检和误检的问题,提出了YOLOv8n_Y小目标检测算法。通过YOLOv8n模型的骨干网络引入可变形卷积模块,在目标区域感受野有限的情况下,可变形卷积模块可以自适应地调整卷积核大小,提取更多的特征信息,将Neck模块添加了CBAM注意力机制,注意力机制会集中在更为重要的物体特征上,减少了误检的概率,提升对小目标检测的准确率。结果表明,YOLOv8n_Y模型在小目标吸烟数据集上的精度提升了3.3%。