针对电商场景下番茄品质管控与供应链响应效率的协同需求,本文提出一种面向电子商务的改进YOLOv8番茄植株病虫害与成熟度同步检测方法。通过深度学习模型,实现植株生长状态的多维度感知。技术改进方面,将原本的Conv模块替换为AKConv模块...针对电商场景下番茄品质管控与供应链响应效率的协同需求,本文提出一种面向电子商务的改进YOLOv8番茄植株病虫害与成熟度同步检测方法。通过深度学习模型,实现植株生长状态的多维度感知。技术改进方面,将原本的Conv模块替换为AKConv模块,并添加SimAM注意力机制,引入了MPDIoU损失函数去避免引入复杂的惩罚项降低计算复杂度,使模型计算量降低16.35%的同时维持82.4%的检测精度。实验表明,在自建包含6类常见病害与3级成熟度的番茄数据集上,模型综合检测精度达82.4%。In response to the collaborative demand for tomato quality control and supply chain response efficiency in e-commerce scenarios, this paper proposes an improved YOLOv8 tomato plant disease and pest synchronous detection method for e-commerce. Realize multi-dimensional perception of plant growth status through deep learning models. In terms of technological improvements, the original Conv module was replaced with the AKConv module, and SimAM attention mechanism was added. The MPDIoU loss function was introduced to avoid introducing complex penalty terms and reduce computational complexity, resulting in a 16.35% reduction in model computation while maintaining 82.4% detection accuracy. The experiment showed that the comprehensive detection accuracy of the model reached 82.4% on a self-built tomato dataset containing 6 common diseases and 3 levels of maturity.展开更多
斗齿作为矿用机械正铲式挖掘机的关键易损部件,其磨损状态直接影响设备的工作效率和使用安全。由于斗齿在复杂作业环境下易受遮挡、粘连、泥污覆盖及光照条件变化等因素干扰,人工检测或基于传统图像处理技术的识别方法效率低、误差大,...斗齿作为矿用机械正铲式挖掘机的关键易损部件,其磨损状态直接影响设备的工作效率和使用安全。由于斗齿在复杂作业环境下易受遮挡、粘连、泥污覆盖及光照条件变化等因素干扰,人工检测或基于传统图像处理技术的识别方法效率低、误差大,难以满足智能化施工管理的需求。因此,研究基于深度学习的斗齿目标检测技术具有重要的理论价值和现实意义。该研究基于可变核卷积(AKConv)、YOLOv12网络与数据增强算法,提出了一种适用于数据样本单一情况下的斗齿目标检测方法。该方法首先对已标定的原始斗齿数据集进行1∶1的随机数据增强,获得增强的斗齿图像及标签,模拟不同成像条件下的斗齿检测情景,提高数据集的多样性和鲁棒性;然后将增强后的数据集送入改进后的AKConv-YOLOv12网络中经过100次迭代训练,得到模型的Precision值为97.2%,Recall值为96.7%,mAP值(mean Average Precision)为98.0%,模型大小为4.8 MB,与原始YOLOv12网络相比,Precision值下降了1个百分点,Recall值下降了0.9个百分点,mAP值下降了0.6个百分点,但模型大小缩小了11.1%;最后将增强前后、不同遮挡的斗齿目标进行测试,检测的置信度均在0.8左右。研究结果表明,基于数据增强算法与AKConv-YOLOv12的斗齿小样本目标检测方法解决了单一数据样本的问题,使得模型具有较高的鲁棒性和稳定的检测性能;同时在保证检测精度基本不变的情况下,明显缩小了模型大小,提高了模型的可移植性,可为矿山机械、挖掘机运维等研究提供必要的技术支撑。展开更多
文摘针对电商场景下番茄品质管控与供应链响应效率的协同需求,本文提出一种面向电子商务的改进YOLOv8番茄植株病虫害与成熟度同步检测方法。通过深度学习模型,实现植株生长状态的多维度感知。技术改进方面,将原本的Conv模块替换为AKConv模块,并添加SimAM注意力机制,引入了MPDIoU损失函数去避免引入复杂的惩罚项降低计算复杂度,使模型计算量降低16.35%的同时维持82.4%的检测精度。实验表明,在自建包含6类常见病害与3级成熟度的番茄数据集上,模型综合检测精度达82.4%。In response to the collaborative demand for tomato quality control and supply chain response efficiency in e-commerce scenarios, this paper proposes an improved YOLOv8 tomato plant disease and pest synchronous detection method for e-commerce. Realize multi-dimensional perception of plant growth status through deep learning models. In terms of technological improvements, the original Conv module was replaced with the AKConv module, and SimAM attention mechanism was added. The MPDIoU loss function was introduced to avoid introducing complex penalty terms and reduce computational complexity, resulting in a 16.35% reduction in model computation while maintaining 82.4% detection accuracy. The experiment showed that the comprehensive detection accuracy of the model reached 82.4% on a self-built tomato dataset containing 6 common diseases and 3 levels of maturity.
文摘斗齿作为矿用机械正铲式挖掘机的关键易损部件,其磨损状态直接影响设备的工作效率和使用安全。由于斗齿在复杂作业环境下易受遮挡、粘连、泥污覆盖及光照条件变化等因素干扰,人工检测或基于传统图像处理技术的识别方法效率低、误差大,难以满足智能化施工管理的需求。因此,研究基于深度学习的斗齿目标检测技术具有重要的理论价值和现实意义。该研究基于可变核卷积(AKConv)、YOLOv12网络与数据增强算法,提出了一种适用于数据样本单一情况下的斗齿目标检测方法。该方法首先对已标定的原始斗齿数据集进行1∶1的随机数据增强,获得增强的斗齿图像及标签,模拟不同成像条件下的斗齿检测情景,提高数据集的多样性和鲁棒性;然后将增强后的数据集送入改进后的AKConv-YOLOv12网络中经过100次迭代训练,得到模型的Precision值为97.2%,Recall值为96.7%,mAP值(mean Average Precision)为98.0%,模型大小为4.8 MB,与原始YOLOv12网络相比,Precision值下降了1个百分点,Recall值下降了0.9个百分点,mAP值下降了0.6个百分点,但模型大小缩小了11.1%;最后将增强前后、不同遮挡的斗齿目标进行测试,检测的置信度均在0.8左右。研究结果表明,基于数据增强算法与AKConv-YOLOv12的斗齿小样本目标检测方法解决了单一数据样本的问题,使得模型具有较高的鲁棒性和稳定的检测性能;同时在保证检测精度基本不变的情况下,明显缩小了模型大小,提高了模型的可移植性,可为矿山机械、挖掘机运维等研究提供必要的技术支撑。
