为解决采茶机器人对茶叶的精准检测和采摘问题,提出一种基于双层路由动态稀疏注意力机制和FasterNet改进的YOLOv7算法,以实现对茶叶鲜叶的分类检测。该算法通过PConv和FasterNet替换原有网络结构,减少浮点运算的数量、提升浮点运算效率;...为解决采茶机器人对茶叶的精准检测和采摘问题,提出一种基于双层路由动态稀疏注意力机制和FasterNet改进的YOLOv7算法,以实现对茶叶鲜叶的分类检测。该算法通过PConv和FasterNet替换原有网络结构,减少浮点运算的数量、提升浮点运算效率;在neck层加入基于双层路由的动态稀疏注意力机制,使计算分配和内容感知更灵活;将损失函数替换为EIoU(efficient intersection over union),加速收敛提高回归精度,减少检测过程中的误检。结果表明,改进算法生成的模型比YOLOv7在精确度上提升4.8个百分点,召回率提升5.3个百分点,平衡分数提高5.0个百分点,平均精度均值(mean average precision,mAP)提升2.6个百分点;且在外部验证中浮点运算数量降低15.1 G,每秒传输帧数提升5.52%,mAP提升2.4个百分点。改进后的模型不仅可以高效准确地对茶叶鲜叶进行分类检测,同时具备高识别率、低运算量和快速检测的特点。研究结果为云南高原山地采茶机器人的实现奠定了基础。展开更多
文摘为解决采茶机器人对茶叶的精准检测和采摘问题,提出一种基于双层路由动态稀疏注意力机制和FasterNet改进的YOLOv7算法,以实现对茶叶鲜叶的分类检测。该算法通过PConv和FasterNet替换原有网络结构,减少浮点运算的数量、提升浮点运算效率;在neck层加入基于双层路由的动态稀疏注意力机制,使计算分配和内容感知更灵活;将损失函数替换为EIoU(efficient intersection over union),加速收敛提高回归精度,减少检测过程中的误检。结果表明,改进算法生成的模型比YOLOv7在精确度上提升4.8个百分点,召回率提升5.3个百分点,平衡分数提高5.0个百分点,平均精度均值(mean average precision,mAP)提升2.6个百分点;且在外部验证中浮点运算数量降低15.1 G,每秒传输帧数提升5.52%,mAP提升2.4个百分点。改进后的模型不仅可以高效准确地对茶叶鲜叶进行分类检测,同时具备高识别率、低运算量和快速检测的特点。研究结果为云南高原山地采茶机器人的实现奠定了基础。
