基于改进 YOLOv8 的轻量化荔枝识别方法
摘要
为了提高荔枝的识别准确率和效率,采用高清摄像头采集不同焦距和不同角度下的荔枝图像,并利用双边滤波与同态滤波对荔枝图像进行预处理。分别对YOLOv8模型中的骨干网络,颈部网络,头部网络和损失函数进行改进,搭建了基于YOLOv8-Seg多结构优化的轻量化荔枝检测和分割模型。结果表明,基于YOLOv8-Seg多结构优化的轻量化荔枝检测和分割模型的识别准确率比原模型有所提高,单幅图像检测时间比原模型有所减少,模型内存占用量比原模型也有所减小。改进后的YOLOv8轻量化荔枝检测模型在保证荔枝识别精度的同时也保证了荔枝识别的速度,能够部署在边缘设备上。
关键词
荔枝识别;YOLOv8;轻量化;边缘设备
全文:
PDF参考
王佳盛.大视场下荔枝采摘机器人视觉预定位研究[D].广州:华南农业大学,2019.
李海,杨骁勇,凤四海.基于X光机图像识别的双边滤波和同态滤波相融合技术[J].计算机与数字工程,2019,47(5):1120-1124+1130.
杜宝侠,唐友,辛鹏,等.基于改进YOLOv8的苹果检测方法[J].无线互联科技,2023,20(13):119-122.
马超伟,张浩,马新明,等.基于改进YOLOv8的轻量化小麦病害检测方法[J].农业工程学报,2024,40(5):187-195.
冀汶莉,刘洲,邢海花.基于YOLO v5的农田杂草识别轻量化方法研究[J].农业机械学报,2024,55(1):212-222+293.
杨雨晴.基于YOLOv4-Tiny-CBAM的花生幼苗期杂草识别研究与应用[D].合肥:安徽农业大学,2022.
DOI: http://dx.doi.org/10.12345/bdai.v5i6.18992
Refbacks
- 当前没有refback。
![Creative Commons License](http://licensebuttons.net/l/by-nc/4.0/88x31.png)
此作品已接受知识共享署名-非商业性使用 4.0国际许可协议的许可。