针对现有采茶机器人在复杂环境中识别茶叶嫩芽时存在着精度低和计算量大等问题,该研究提出了一种基于改进YOLOv11n的茶叶嫩芽检测算法。算法融合深度卷积和全局平均池化思想,设计C3K2-PFCGLU(C3K2-poolingformer and convolutional gate...针对现有采茶机器人在复杂环境中识别茶叶嫩芽时存在着精度低和计算量大等问题,该研究提出了一种基于改进YOLOv11n的茶叶嫩芽检测算法。算法融合深度卷积和全局平均池化思想,设计C3K2-PFCGLU(C3K2-poolingformer and convolutional gated linear unit)结构,提高了模型的检测速度;同时设计轻量化检测头DRLSDH(detail-reinforced and lightweight shared convolution detection head),在提升检测精度的同时有效压缩模型参数量;其次采用轻量级特征提取模块ADown替换主干网络中的传统卷积模块,减少了DRLSDH模块的计算量和模型大小;最后为了弥补CIoU损失函数在检测任务中泛化性弱和收敛缓慢的问题,采用DIoU损失函数提升模型的准确性并优化边界框效果。结果表明,改进后的模型平均精度达到92.92%,准确率为95.43%,较基线模型YOLOv11n分别提高了0.14个百分点和0.93个百分点;模型大小为3.4 MB,参数量为1.39 M,计算量为4.2 G,分别降低了35.85%、45.74%和33.33%。性能方面,嵌入式设备检测帧率为23帧/s。该模型具有较高的识别准确率及较强的鲁棒性,研究结果为嵌入式设备和移动端的部署提供参考。展开更多
文摘针对现有采茶机器人在复杂环境中识别茶叶嫩芽时存在着精度低和计算量大等问题,该研究提出了一种基于改进YOLOv11n的茶叶嫩芽检测算法。算法融合深度卷积和全局平均池化思想,设计C3K2-PFCGLU(C3K2-poolingformer and convolutional gated linear unit)结构,提高了模型的检测速度;同时设计轻量化检测头DRLSDH(detail-reinforced and lightweight shared convolution detection head),在提升检测精度的同时有效压缩模型参数量;其次采用轻量级特征提取模块ADown替换主干网络中的传统卷积模块,减少了DRLSDH模块的计算量和模型大小;最后为了弥补CIoU损失函数在检测任务中泛化性弱和收敛缓慢的问题,采用DIoU损失函数提升模型的准确性并优化边界框效果。结果表明,改进后的模型平均精度达到92.92%,准确率为95.43%,较基线模型YOLOv11n分别提高了0.14个百分点和0.93个百分点;模型大小为3.4 MB,参数量为1.39 M,计算量为4.2 G,分别降低了35.85%、45.74%和33.33%。性能方面,嵌入式设备检测帧率为23帧/s。该模型具有较高的识别准确率及较强的鲁棒性,研究结果为嵌入式设备和移动端的部署提供参考。
