摘要
【目的】解决由于旱田田垄颜色信息相近、纹理差异小以及在计算资源有限的嵌入式设备上部署传统模型的检测速度慢、分割检测准确率低而导致的田垄边界信息准确提取难、效果差等问题。【方法】提出了一种轻量化的旱田田垄目标检测模型New-Field,通过将CBAM注意力机制嵌入至YOLOv8n-seg模型,自适应地调整卷积块的通道和空间特征,增强了模型对关键信息的捕捉能力,从而显著提升了对垄面边界信息的处理能力。【结果】在试验田,New-Field识别田垄的精确率能达到99.398%及以上,平均精度均值分别为86.205%和90.113%,召回率均为100%,部署至NVIDIA Jetson Xavier NX嵌入式开发板上的检测帧率能达到30 fps,均明显优于YOLOv8n-seg。【结论】研究提出的模型在提高检测精度方面具有显著优势,能为智能化农场收获过程中的行驶工作提供技术基础,而且能较好地满足智能农机高效性和可靠性等实时检测需求。
基金
江苏省自然科学基金(BK20230545)。
