[目的/意义]在农业生产的后期,对干制黄花菜等级进行准确分类至关重要。针对现有目标检测模型在干制黄花菜分级任务中精度不足及参数过多的问题,提出一种轻量级的YOLOv10-AD网络模型。[方法]该模型设计了全新的骨干网络AKVanillaNet,针...[目的/意义]在农业生产的后期,对干制黄花菜等级进行准确分类至关重要。针对现有目标检测模型在干制黄花菜分级任务中精度不足及参数过多的问题,提出一种轻量级的YOLOv10-AD网络模型。[方法]该模型设计了全新的骨干网络AKVanillaNet,针对干制黄花菜的特殊形状特征进行了优化,显著提升了检测精度,同时降低了模型的参数和计算成本。此外,还将DysnakeConv模块嵌入C2f结构中,进一步增强了对干制黄花菜特征的提取能力,并通过采用Powerful-IOU(PIOU)损失函数,更好地拟合数据,提升模型性能。[结果和讨论]在干制黄花菜等级分类的数据集上的测试结果表明,YOLOv10-AD模型的平均准确率mAP(Mean Average Precision)达到了85.7%,其参数量、计算量和模型大小分别为2.45 M、6.2 GFLOPs和5.0 M,帧率FPS(Frames Per Second)为156。与基准模型相比,YOLOv10-AD不仅将mAP提升了5.7%,FPS提升了25.8%,同时还将参数量、计算量及模型大小分别降低9.3%、24.4%和9.1%,不仅提升了检测精度,还降低了模型的部署难度。[结论]提出的YOLOv10-AD网络模型能够在不同光照条件下对干制黄花菜进行精准分类,且具有较好的实时性,为干制黄花菜等级的智能分类提供了有效的技术参考。展开更多
文摘[目的/意义]在农业生产的后期,对干制黄花菜等级进行准确分类至关重要。针对现有目标检测模型在干制黄花菜分级任务中精度不足及参数过多的问题,提出一种轻量级的YOLOv10-AD网络模型。[方法]该模型设计了全新的骨干网络AKVanillaNet,针对干制黄花菜的特殊形状特征进行了优化,显著提升了检测精度,同时降低了模型的参数和计算成本。此外,还将DysnakeConv模块嵌入C2f结构中,进一步增强了对干制黄花菜特征的提取能力,并通过采用Powerful-IOU(PIOU)损失函数,更好地拟合数据,提升模型性能。[结果和讨论]在干制黄花菜等级分类的数据集上的测试结果表明,YOLOv10-AD模型的平均准确率mAP(Mean Average Precision)达到了85.7%,其参数量、计算量和模型大小分别为2.45 M、6.2 GFLOPs和5.0 M,帧率FPS(Frames Per Second)为156。与基准模型相比,YOLOv10-AD不仅将mAP提升了5.7%,FPS提升了25.8%,同时还将参数量、计算量及模型大小分别降低9.3%、24.4%和9.1%,不仅提升了检测精度,还降低了模型的部署难度。[结论]提出的YOLOv10-AD网络模型能够在不同光照条件下对干制黄花菜进行精准分类,且具有较好的实时性,为干制黄花菜等级的智能分类提供了有效的技术参考。
