[目的/意义]为解决番茄叶片病虫害检测中面临的环境复杂、目标小、精度低、参数冗余及计算复杂度高等问题,提出了一种新型轻量化、高精度、实时的检测模型——YOLOv10n-YS (You Only Look Once Version10-YS)。[方法]首先,采用C2f_RepVi...[目的/意义]为解决番茄叶片病虫害检测中面临的环境复杂、目标小、精度低、参数冗余及计算复杂度高等问题,提出了一种新型轻量化、高精度、实时的检测模型——YOLOv10n-YS (You Only Look Once Version10-YS)。[方法]首先,采用C2f_RepViTBlock模块替换主干网络的C2f,减少了模型的计算量和参数量。其次,加入带切片操作的注意力机制SimAM,结合原有卷积形成Conv_SWS模块,提升了小目标的特征提取能力。另外,在颈部网络中使用DySample轻量动态上采样模块,使采样点集中在目标区域而不会关注背景部分,实现病虫害的有效识别。最后,将跨通道交互的高效率通道注意力(Efficient Channel Attention with Cross-Channel Interaction,EMCA)替换主干网络的金字塔空间注意力机制(Pyramid Spatial Attention, PSA),进一步提高了主干网络的特征提取能力。[结果与讨论]实验结果显示,YOLOv10n-YS模型在番茄病虫害数据集上展现出了卓越的性能。其平均识别精度、检测准确率和召回率分别达到了92.1%、89.2%和82.1%,相较于原模型,这些指标分别提升了3.8、3.3和4.2个百分点。同时,模型在参数量和计算量上也实现了显著的优化,分别减少了13.8%和8.5%。[结论]这些改进不仅提升了模型的性能,还保持了其轻量化特性,对番茄叶片病虫害的检测具有重要参考价值。展开更多
无人机由于其成本低廉、敏捷、灵活并且可以搭载高分辨率摄像头和传感器,正在成为各个行业不可或缺的工具。在检测环境中,无人机可以适应复杂地形以及恶劣气候,收集到大气、土壤等各项珍贵数据。在工业探索领域,无人机可以代替人工对于...无人机由于其成本低廉、敏捷、灵活并且可以搭载高分辨率摄像头和传感器,正在成为各个行业不可或缺的工具。在检测环境中,无人机可以适应复杂地形以及恶劣气候,收集到大气、土壤等各项珍贵数据。在工业探索领域,无人机可以代替人工对于危险地域的探查,降低事故的发生率。在海上救援方面,无人机可以快速定位到遇险的船舶,提升救援人员的救援效率。然而,无人机在此情况下的目标检测任务仍然面临不小挑战,如目标被障碍物遮挡、太阳光照的变化等。为了提高无人机在海上救援中的船舶检测性能,本文提出了一种基于改进YOLOv10(You Only Look Once,YOLO)的目标检测算法,加入了CA注意力机制,并采取EIoU损失函数。实验结果表明,相对于原始的YOLOv10模型,实验数据集在ACE-YOLOv10模型中获得了更好的结果。展开更多
文摘[目的/意义]为解决番茄叶片病虫害检测中面临的环境复杂、目标小、精度低、参数冗余及计算复杂度高等问题,提出了一种新型轻量化、高精度、实时的检测模型——YOLOv10n-YS (You Only Look Once Version10-YS)。[方法]首先,采用C2f_RepViTBlock模块替换主干网络的C2f,减少了模型的计算量和参数量。其次,加入带切片操作的注意力机制SimAM,结合原有卷积形成Conv_SWS模块,提升了小目标的特征提取能力。另外,在颈部网络中使用DySample轻量动态上采样模块,使采样点集中在目标区域而不会关注背景部分,实现病虫害的有效识别。最后,将跨通道交互的高效率通道注意力(Efficient Channel Attention with Cross-Channel Interaction,EMCA)替换主干网络的金字塔空间注意力机制(Pyramid Spatial Attention, PSA),进一步提高了主干网络的特征提取能力。[结果与讨论]实验结果显示,YOLOv10n-YS模型在番茄病虫害数据集上展现出了卓越的性能。其平均识别精度、检测准确率和召回率分别达到了92.1%、89.2%和82.1%,相较于原模型,这些指标分别提升了3.8、3.3和4.2个百分点。同时,模型在参数量和计算量上也实现了显著的优化,分别减少了13.8%和8.5%。[结论]这些改进不仅提升了模型的性能,还保持了其轻量化特性,对番茄叶片病虫害的检测具有重要参考价值。
文摘无人机由于其成本低廉、敏捷、灵活并且可以搭载高分辨率摄像头和传感器,正在成为各个行业不可或缺的工具。在检测环境中,无人机可以适应复杂地形以及恶劣气候,收集到大气、土壤等各项珍贵数据。在工业探索领域,无人机可以代替人工对于危险地域的探查,降低事故的发生率。在海上救援方面,无人机可以快速定位到遇险的船舶,提升救援人员的救援效率。然而,无人机在此情况下的目标检测任务仍然面临不小挑战,如目标被障碍物遮挡、太阳光照的变化等。为了提高无人机在海上救援中的船舶检测性能,本文提出了一种基于改进YOLOv10(You Only Look Once,YOLO)的目标检测算法,加入了CA注意力机制,并采取EIoU损失函数。实验结果表明,相对于原始的YOLOv10模型,实验数据集在ACE-YOLOv10模型中获得了更好的结果。
