随着我国智能养殖的快速发展,利用目标检测技术实现对蜜蜂的实时动态监测,对提升养蜂业的数字化与智能化水平具有重要意义。针对复杂背景下蜜蜂检测难度大、准确率不高的问题,提出一种基于YOLOv8(you only look once version 8)改进的...随着我国智能养殖的快速发展,利用目标检测技术实现对蜜蜂的实时动态监测,对提升养蜂业的数字化与智能化水平具有重要意义。针对复杂背景下蜜蜂检测难度大、准确率不高的问题,提出一种基于YOLOv8(you only look once version 8)改进的目标检测算法YOLO-iTN。该算法在主干网络使用反向残差移动块(inverted residual mobile block,iRMB)改进C2f,提出全新的iC2f(iRMB-C2f),增强对小目标的检测能力。在颈部网络提出新的跨域多尺度特征融合网络TX-BiFPN改进PANet(path aggregation network),利用细节特征和跳跃连接,提升多尺度特征融合能力。在头部网络增加极小目标检测头,去掉大目标检测头,强化对浅层特征信息的利用。此外,引入了归一化高斯Wasserstein距离(normalized Wasserstein distance,NWD)损失函数削弱模型对小目标位置偏差的敏感性,提高对小目标的识别检测能力。结果表明,YOLO-iTN的平均检测精度AP50较原始YOLOv8提升1.6百分点,AP50:95提升2.0百分点,综合性能优于原始YOLOv8及其他模型。展开更多
文摘随着我国智能养殖的快速发展,利用目标检测技术实现对蜜蜂的实时动态监测,对提升养蜂业的数字化与智能化水平具有重要意义。针对复杂背景下蜜蜂检测难度大、准确率不高的问题,提出一种基于YOLOv8(you only look once version 8)改进的目标检测算法YOLO-iTN。该算法在主干网络使用反向残差移动块(inverted residual mobile block,iRMB)改进C2f,提出全新的iC2f(iRMB-C2f),增强对小目标的检测能力。在颈部网络提出新的跨域多尺度特征融合网络TX-BiFPN改进PANet(path aggregation network),利用细节特征和跳跃连接,提升多尺度特征融合能力。在头部网络增加极小目标检测头,去掉大目标检测头,强化对浅层特征信息的利用。此外,引入了归一化高斯Wasserstein距离(normalized Wasserstein distance,NWD)损失函数削弱模型对小目标位置偏差的敏感性,提高对小目标的识别检测能力。结果表明,YOLO-iTN的平均检测精度AP50较原始YOLOv8提升1.6百分点,AP50:95提升2.0百分点,综合性能优于原始YOLOv8及其他模型。
