Aug, 2023

基于改进的 YOLOv5s 架构的实时草莓检测在开放环境中的机器人采摘

PDF
TL;DR该研究提出了一种基于 YOLOv5 的自定义目标检测模型，用于在户外环境中检测草莓。修改了 YOLOv5s 的原始架构，通过在骨干网络中将 C3 模块替换为 C2f 模块，提供了更好的特征梯度流。通过将 YOLOv5s 的最终层中的空间金字塔池化快速与 Cross Stage Partial Net 相结合，提高了在草莓数据集上的泛化能力。验证了该方法在开放环境中检测草莓的优势，并与四个竞争检测模型进行了比较。结果表明，通过所提出的架构实现了最高 80.3% 的平均精度，而 YOLOv3-tiny、YOLOv5s、YOLOv5s-C2f 和 YOLOv8s 分别获得了 73.4%、77.8%、79.8% 和 79.3% 的平均精度。该模型具有快速的推理速度和适用于实时草莓检测和定位的充足网络参数。
yolov5s-strawstrawberry detectionobject detectionoutdoor environmentreal time
发现论文，激发创造
  • 基于 YOLOv5 的果园中精确的苹果检测与定位用于机器采摘系统

    通过使用 YOLOv5 模型和多样的苹果树图像数据集，我们提出了一种新颖的苹果检测和位置估计方法，实现了在复杂果园环境中准确识别苹果并提供精确位置信息的鲁棒系统，其具有约 85% 的苹果检测准确率，这在农业机器人领域取得了重要进展，为更高效、可持续的水果采摘实践奠定了基础。

    May, 2024

  • 基于 YOLO 的学习方法的农业实时目标检测与机器人操控

    该研究提出了一种新的框架，将两种不同的卷积神经网络结构相结合，以在模拟环境中同时完成作物检测和收获（机器人操控）任务。利用机器视觉实现作物自动识别，提高收获效率，但仍面临挑战。通过随机旋转、裁剪、亮度和对比度调整来生成增强图像以进行数据集生成。使用一次性算法框架进行作物定位，以及使用视觉几何组模型来确定机器人操控的抓取位置。

    Jan, 2024

  • 基于 YOLO 目标检测技术的甜樱桃表型分析的深度学习应用

    通过使用深度学习中的 YOLOv3 模型，可以自动计算并分析产出树果，像甜樱桃的数量、大小和颜色等相关因素，该模型的准确度高达 99%。

    Feb, 2023

  • 使用 YOLOv5 从图像和视频中进行火灾检测

    通过改进的 YOLOv5 火灾检测深度学习算法，可以有效地处理室内、室外和森林火灾图像中的火灾目标检测，并且可以在不同的自然光照条件下进行火灾检测。

    Oct, 2023

  • 基于 YOLO 的工业 4.0 Fischertechnik 模型环境下的目标检测

    本文以 YOLO 架构为基础，针对 Fischertechnik 工业 4.0 应用中的流程监控展开研究，通过采用不同大小和复杂度的 YOLO 架构以及不同的先前形状分配策略，结合丰富的数据集进行实验，研究结果表明了所提出方法的有效性及所采用的培训和验证策略能够解决该问题天然存在的色彩相关性。

    Jan, 2023

  • Fostc3net: 一个基于网络结构优化的轻量级 YOLOv5

    本文介绍了一种针对移动设备的增强轻量级 YOLOv5 技术，用于识别与输电线相关的物体。该方法通过引入 C3Ghost 模块和 FasterNet 模块改进了 YOLOv5 的性能，并采用 wIoU v3 LOSS 损失函数解决了数据集中简单和挑战样本的不平衡问题。实验证明，与现有的 YOLOv5 相比，该模型在检测准确性上提高了 1%，降低了 13% 的 FLOPs，模型参数减少了 26%。而在消融实验中，Fastnet 模块和 CSghost 模块提高了原始 YOLOv5 基准模型的精度，但导致了 [email protected] 度量的下降，而 wIoUv3 损失函数的改进显著减轻了该度量的下降。

    Mar, 2024

  • YOLOv5 和 YOLOv8 在动态机器人环境中的精确性和适应性

    该研究通过比较分析 YOLOv5 和 YOLOv8 模型，挑战了后者在性能指标上的优越性的普遍假设。与最初的预期相反，YOLOv5 模型在目标检测任务中表现出了可比较的甚至在某些情况下优越的精度。我们的分析探讨了导致这些发现的底层因素，包括模型架构复杂性、训练数据集的差异和实际应用性等方面。通过严格测试和消融研究，我们呈现了对每个模型能力的细致理解，为选择和优化用于机器人应用的目标检测框架提供了洞察。该研究的意义扩展到更高效和情境适应性系统的设计，强调了评估模型性能的整体方法的必要性。

    Jun, 2024

  • 果园深度水果检测

    本文介绍了使用先进的物体检测框架 Faster R-CNN 对果园中的水果进行检测，包括芒果、杏仁和苹果，通过消融实验，数据增强技术和瓦片方法来提高检测精度和效率，并获得比以前更好的检测表现，对于苹果和芒果的 F1 值达到了 > 0.9。

    Oct, 2016

  • 从模糊到清晰的检测：基于 YOLOv5 的航空目标检测与超分辨率

    通过结合超分辨率和经过修改的轻量级 YOLOv5 架构，我们提出了一种创新的方法，用于在航空影像中准确检测小型密集目标，并通过一系列数据集的评估，证明该模型在高密度遮挡条件下能够实现更好的检测结果，从而为航空影像中的目标检测领域带来显著进展。

    Jan, 2024

  • 基于 Transformer 预测头改进 YOLOv5 的计算机视觉损伤检测模型

    提出了一种基于 DenseNet 块和 CBAM 的实时深度学习伤害检测模型，采用先进的自我注意机制实现多尺度目标检测，并减少计算复杂度，结果显示该模型性能优于当前最先进模型，是准确和鲁棒的机器人在现实场景下实现自动化损坏检测系统的重要一步。

    Mar, 2023