为了解决梨果实采摘机器人目标检测模型在复杂果园环境下检测效果不佳,且难以部署于资源受限嵌入式平台的问题,本研究提出一种基于改进YOLO v8模型的轻量化梨果实检测模型:设计一种PR_Bottleneck模块,通过创新结构设计,有效削减模型参...为了解决梨果实采摘机器人目标检测模型在复杂果园环境下检测效果不佳,且难以部署于资源受限嵌入式平台的问题,本研究提出一种基于改进YOLO v8模型的轻量化梨果实检测模型:设计一种PR_Bottleneck模块,通过创新结构设计,有效削减模型参数量和计算量,显著降低模型运行负担;构建SPPF_CBAM模块,大幅增强模型对目标区域的聚焦能力,显著提升其在复杂场景下的目标识别精度;引入ADown下采样模块,降低模型复杂度和参数量,增强下采样过程的信息保留能力;引入WIoU损失函数,使模型在训练过程中的回归损失函数能够集中在平均质量的锚框,从而提高检测器的整体性能指标,增强模型的泛化能力。试验结果表明,与YOLO v8原始模型相比,改进模型精确率、召回率、平均精度均值(mAP_(50))分别提高了0.7个百分点、3.7个百分点、1.7个百分点,其参数量和计算量分别降低38.72%和30.86%,模型体积缩小38.33%,检测速率为1 s 85.4帧,较原始模型提升1 s 12.8帧。因此,改进YOLO v8轻量化模型不仅提高了检测精度和检测速率,而且明显降低了计算量和参数量,能够部署在嵌入式平台上快速有效进行梨果实的实时目标检测。展开更多
文摘为了解决梨果实采摘机器人目标检测模型在复杂果园环境下检测效果不佳,且难以部署于资源受限嵌入式平台的问题,本研究提出一种基于改进YOLO v8模型的轻量化梨果实检测模型:设计一种PR_Bottleneck模块,通过创新结构设计,有效削减模型参数量和计算量,显著降低模型运行负担;构建SPPF_CBAM模块,大幅增强模型对目标区域的聚焦能力,显著提升其在复杂场景下的目标识别精度;引入ADown下采样模块,降低模型复杂度和参数量,增强下采样过程的信息保留能力;引入WIoU损失函数,使模型在训练过程中的回归损失函数能够集中在平均质量的锚框,从而提高检测器的整体性能指标,增强模型的泛化能力。试验结果表明,与YOLO v8原始模型相比,改进模型精确率、召回率、平均精度均值(mAP_(50))分别提高了0.7个百分点、3.7个百分点、1.7个百分点,其参数量和计算量分别降低38.72%和30.86%,模型体积缩小38.33%,检测速率为1 s 85.4帧,较原始模型提升1 s 12.8帧。因此,改进YOLO v8轻量化模型不仅提高了检测精度和检测速率,而且明显降低了计算量和参数量,能够部署在嵌入式平台上快速有效进行梨果实的实时目标检测。
