.png){kind=icon}
返回
Real-Time Sugarcane Bud Detection Using Efficient Lightweight Convolutional Blocks
.png){kind=icon}
PRE
AI
DOI：10.1007/s13369-025-10906-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文通过平衡模型大小、速度和鲁棒性，解决了基于YOLO的甘蔗芽检测在复杂农业环境中的局限性。本文引入了EfficientConv，一种轻量级、可直接替换的卷积块，其计算成本比YOLO模型中使用的标准卷积层低9%。通过结合Ghost和Shuffle卷积与Squeeze-and-Excitation和通道注意力机制，它在不牺牲准确率的情况下降低了计算量。EfficientConv与版本无关，并能无缝集成到YOLO架构中。我们在专有甘蔗芽数据集上评估了带有和不带有EfficientConv的YOLOv8n到YOLOv12n模型，并在VisDrone基准上测试了泛化能力。实时性能在Jetson-Nano和Raspberry Pi-4B等边缘设备上进行基准测试。性能提升因各YOLO变体中的卷积块数量而异。由于YOLOv8n、YOLOv11n和YOLOv12n在不同阶段均包含大量卷积块（每个变体有六个卷积块），它们从EfficientConv集成中获益最大，使得检测和计算效率显著提升。相比之下，YOLOv9n和YOLOv10n分别仅有一个和两个卷积块，表现出相对适度的改进。带有EfficientConv的YOLOv8n取得了最佳结果：mAP@50为73.5%，mAP@95为49.8%，GFLOPs减少了12.4%。YOLOv11n和YOLOv12n也分别减少了9.1%和7.6%的GFLOPs，同时保持或提高了准确率。本文通过引入一种快速、可靠且高效的甘蔗芽检测方法，推进了精准农业的发展。所提出的EfficientConv块在减少GFLOPs和模型大小的同时，保持或提升了准确率，支持甘蔗种植的自动化。源代码可在：source
Keyword:
YOLO
CNNs
Object detection
Efficient convolution
Ghost and shuffle
Squeeze-and-excitation
Precision agriculture
期刊
A
IF:
2.9
论文数:
1.1K
被引数:
0
机构
引用论文
Efficient and Economical Way of Improving Sugarcane Settling Vigour by Mechanized Priming of Single Bud Setts with Nutrients通过机械化用营养液对单芽种茎进行预处理的甘蔗沉降活力的经济高效改进方法.png)
Sugar Tech
Sugar TechIF0
PREAI
分享收藏YOLOv9: Learning What You Want to Learn Using Programmable Gradient InformationYOLOv9: 使用可编程梯度信息学习您想要学习的内容
PREAI
分享收藏Application of improved YOLOv7-based sugarcane stem node recognition algorithm in complex environments改进的YOLOv7-based甘蔗茎节识别算法在复杂环境下的应用
OAAI
OAAI分享收藏ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile DevicesShuffleNet: 一种用于移动设备的极其高效的卷积神经网络
OAAI
OAAI分享收藏Evaluating YOLO architectures for detecting road killed endangered Brazilian animalsSCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Sugarcane-Seed-Cutting System Based on Machine Vision in Pre-Seed Mode基于机器视觉的预籽模式甘蔗切籽系统SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容