为精准识别与分类不同花期杭白菊,满足自动化采摘要求,该研究提出一种基于改进YOLOv8s的杭白菊检测模型-YOLOv8s-RDL。首先,该研究将颈部网络(neck)的C2f(faster implementation of CSP bottleneck with 2 convolutions)模块替换为RCS-O...为精准识别与分类不同花期杭白菊,满足自动化采摘要求,该研究提出一种基于改进YOLOv8s的杭白菊检测模型-YOLOv8s-RDL。首先,该研究将颈部网络(neck)的C2f(faster implementation of CSP bottleneck with 2 convolutions)模块替换为RCS-OSA(one-shot aggregation of reparameterized convolution based on channel shuffle)模块,以提升骨干网络(backbone)特征融合效率;其次,将检测头更换为DyHead(dynamic head),并融合DCNv3(deformable convolutional networks v3),借助多头自注意力机制增强目标检测头的表达能力;最后,采用LAMP(layer-adaptive magnitude-based pruning)通道剪枝算法减少参数量,降低模型复杂度。试验结果表明,YOLOv8s-RDL模型在菊米和胎菊的花期分类中平均精度分别达到96.3%和97.7%,相较于YOLOv8s模型,分别提升了3.8和1.5个百分点,同时权重文件大小较YOLOv8s减小了6 MB。该研究引入TIDE(toolkit for identifying detection and segmentation errors)评估指标,结果显示,YOLOv8s-RDL模型分类错误和背景检测错误相较YOLOv8s模型分别降低0.55和1.26。该研究为杭白菊分花期自动化采摘提供了理论依据和技术支撑。展开更多
在林业管理中,及时发现火灾并识别其规模对于安全防护和治理火灾至关重要。针对现有火灾检测算法存在的精度低、漏检误检和实时性不足等问题,提出一种无人机航拍图像下火灾实时检测算法——MDSYOLOv8。以YOLOv8为基线算法,将骨干网络第...在林业管理中,及时发现火灾并识别其规模对于安全防护和治理火灾至关重要。针对现有火灾检测算法存在的精度低、漏检误检和实时性不足等问题,提出一种无人机航拍图像下火灾实时检测算法——MDSYOLOv8。以YOLOv8为基线算法,将骨干网络第7层卷积模块和颈部网络卷积模块替换成动态蛇形卷积(DSConv),提高算法的特征提取性能,并强化算法对微小特征的学习能力;然后在颈部与检测头之间添加多维协作注意力机制(MCA),加强颈部特征融合,增强算法对小目标的检测能力,并抑制无关背景信息;最后使用SIoU损失函数替换原YOLOv8中的CIoU损失函数,加快算法的收敛速度和回归精度。实验结果表明,MDSYOLOv8在公开数据集KMU上对烟雾目标的检测精度mAP达到95.89%,相较于基线YOLOv8提高了3.33个百分点,具有卓越的检测性能。此外,本研究采集互联网上的无人机航拍火灾图像制作UFF(UAV field fire)数据集,主要对象为火焰和烟雾,包含森林和城市等火灾隐患可能发生场景。在自制数据集UFF上进行深度实验分析,MDSYOLOv8的检测精度达到93.98%,检测速度为54帧/s,并且能同时识别烟雾和火焰两种火灾场景中的主要目标,与主流目标检测方法相比,在检测精度和效率方面均展现出明显优势,更加契合航拍场景下的火灾检测应用。展开更多
文摘为精准识别与分类不同花期杭白菊,满足自动化采摘要求,该研究提出一种基于改进YOLOv8s的杭白菊检测模型-YOLOv8s-RDL。首先,该研究将颈部网络(neck)的C2f(faster implementation of CSP bottleneck with 2 convolutions)模块替换为RCS-OSA(one-shot aggregation of reparameterized convolution based on channel shuffle)模块,以提升骨干网络(backbone)特征融合效率;其次,将检测头更换为DyHead(dynamic head),并融合DCNv3(deformable convolutional networks v3),借助多头自注意力机制增强目标检测头的表达能力;最后,采用LAMP(layer-adaptive magnitude-based pruning)通道剪枝算法减少参数量,降低模型复杂度。试验结果表明,YOLOv8s-RDL模型在菊米和胎菊的花期分类中平均精度分别达到96.3%和97.7%,相较于YOLOv8s模型,分别提升了3.8和1.5个百分点,同时权重文件大小较YOLOv8s减小了6 MB。该研究引入TIDE(toolkit for identifying detection and segmentation errors)评估指标,结果显示,YOLOv8s-RDL模型分类错误和背景检测错误相较YOLOv8s模型分别降低0.55和1.26。该研究为杭白菊分花期自动化采摘提供了理论依据和技术支撑。
文摘在林业管理中,及时发现火灾并识别其规模对于安全防护和治理火灾至关重要。针对现有火灾检测算法存在的精度低、漏检误检和实时性不足等问题,提出一种无人机航拍图像下火灾实时检测算法——MDSYOLOv8。以YOLOv8为基线算法,将骨干网络第7层卷积模块和颈部网络卷积模块替换成动态蛇形卷积(DSConv),提高算法的特征提取性能,并强化算法对微小特征的学习能力;然后在颈部与检测头之间添加多维协作注意力机制(MCA),加强颈部特征融合,增强算法对小目标的检测能力,并抑制无关背景信息;最后使用SIoU损失函数替换原YOLOv8中的CIoU损失函数,加快算法的收敛速度和回归精度。实验结果表明,MDSYOLOv8在公开数据集KMU上对烟雾目标的检测精度mAP达到95.89%,相较于基线YOLOv8提高了3.33个百分点,具有卓越的检测性能。此外,本研究采集互联网上的无人机航拍火灾图像制作UFF(UAV field fire)数据集,主要对象为火焰和烟雾,包含森林和城市等火灾隐患可能发生场景。在自制数据集UFF上进行深度实验分析,MDSYOLOv8的检测精度达到93.98%,检测速度为54帧/s,并且能同时识别烟雾和火焰两种火灾场景中的主要目标,与主流目标检测方法相比,在检测精度和效率方面均展现出明显优势,更加契合航拍场景下的火灾检测应用。
