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
文摘在规模化绵羊养殖场中,畜禽的行为特征能够有效反映其健康状况及环境适应能力。针对传统舍饲羊只行为识别方法在羊群密度变化条件下存在的监测效率低、识别精度不足等问题提出了一种基于改进YOLO 11n模型的舍饲羊只行为识别方法。在羊圈斜上方安装2D摄像机,采集羊群的视频数据,并构建包含站立、进食、饮水和休息4种行为的舍饲羊行为数据集。在YOLO 1 1n模型基础上,结合CARAFE(Content-aware reassembly of features)上采样结构,并引入高效多尺度注意力机制EMA(Efficient multi-scale attention)与动态检测头DyHead(Dynamic feature learning for head detection)构成YOLO-CFED模型,提升羊只行为检测的特征提取与识别能力。结果表明,相较原YOLO 11n模型,改进YOLO-CFED模型在自建数据集上的性能提升显著:识别精确率(Precision)为95.6%(提升1.2个百分点)、召回率(Recall)为93%(提升0.4个百分点)、mAP@0.5为94%(提升0.3个百分点)、mAP@0.5:0.95为82.4%(提升1.3个百分点)、F1值为93.4%(提升0.9个百分点)。该方法能够有效识别羊只4种主要行为,为实现羊只行为智能化监测与健康管理提供了有力技术支持。
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。
