您好,欢迎访问宁夏农林科学院 机构知识库!

基于改进YOLOv8s的葡萄果实与果梗检测方法

文献类型: 中文期刊

作者: 马聪 1 ; 陈学东 1 ; 张学俭 1 ; 杨淑婷 1 ;

作者机构: 1.宁夏农林科学院农业经济与信息技术研究所

关键词: 葡萄果实检测;葡萄果梗;深度学习;目标检测;卷积神经网络

期刊名称: 中国农机化学报

ISSN: 2095-5553

年卷期: 2025 年 46 卷 012 期

页码: 103-113

收录情况: 北大核心

摘要: 葡萄果实与果梗的精确检测是实现葡萄智能化采摘的关键.当前检测算法的准确性和实时性尚不满足实际生产环境需求,且难以在复杂场景下完成多串葡萄的高效检测.针对这一问题,基于 YOLOv8s提出一种用于葡萄果实与果梗检测的高精度实时方法 RepViT—YOLOv8s.该方法在图像特征提取阶段使用 RepViT 替换基准模型的卷积块,RepViT结合 Vision Transformer的高感受野特性以及卷积神经网络的方便快捷性,能更充分地提取图像的特征信息,更细粒度地表征目标的特征;在特征融合阶段提出一种 C2f—CBAM 模块,使用视觉注意力机制 CBAM 突出目标特征,抑制图像背景信息,并结合 C2f模块实现目标特征增强提取;在目标边框损失上使用 SIoU Loss更准确地计算预测框与真实框的偏差,在训练时更快地收敛模型.试验表明:相比于 YOLOv8s模型,RepViT—YOLOv8s在 MS COCO 2017 验证集上的精确率、召回率、mAP@0.5 以及 mAP@0.5∶0.95 分别提高 3.5%、2.5%、3.0%和 2.3%,同时在自建葡萄果实和果梗数据集上 RepViT—YOLOv8s 的精确率、召回率、mAP@0.5 以及 mAP@0.5∶0.95 分别达到 97.4%、79.6%、86.8%和 61.6%,较 YOLOv8s分别提高 3.3%、3.0%、3.2%和 2.6%.

  • 相关文献

[1]基于深度学习的枸杞病虫害识别研究. 李季,杨淑婷,张学俭,周慧,冶鑫,梁爱银. 2024

[2]深度学习方法在农业领域的研究及应用. 马聪,张建华,陈学东,朱丹. 2020

[3]面向水稻杂草识别的高精度图像分类算法. 杨淑婷,李季,刘正予,马聪,王蓉. 2025

[4]基于机器视觉的葡萄采摘域计算方法研究. 马聪,陈学东. 2024

[5]时空协同的农业种植结构遥感精细制图. 张冬韵,吴田军,骆剑承,董文,孙营伟,杨颖频,海云瑞,孟博文,刘巍. 2024

[6]基于深度学习的羊肚菌菌丝生长程度识别模型算法研究. 朱丹,张静,李季,海云瑞,周慧. 2025

作者其他论文 更多>>