为实现玉米病虫害的原位准确检测与识别,本研究设计了一套基于边缘计算的玉米病虫害智能检测系统。该系统基于YOLOv8模型并进行改进,具体改进方法包括:采用高效视觉网络(EfficientViT)作为主干网络,以降低计算量;在特征融合网络中引入...为实现玉米病虫害的原位准确检测与识别,本研究设计了一套基于边缘计算的玉米病虫害智能检测系统。该系统基于YOLOv8模型并进行改进,具体改进方法包括:采用高效视觉网络(EfficientViT)作为主干网络,以降低计算量;在特征融合网络中引入幻影卷积(GhostConv),进一步减轻计算负担;在C2f模块中引入空间通道重建卷积(SCConv),以增强特征提取性能;将损失函数替换为具有动态非单调聚焦机制的损失函数(WIoU),以提高模型的识别精度。同时,本研究设计了基于边缘计算的病虫害检测系统上位机、下位机架构,并将该轻量化模型部署到Jetson orin nano边缘计算设备上。系统采用Pyside6开发系统可视化界面,除具备识别与训练功能外,还集成了基于大模型技术的AI专家库,可以实现对病虫害的智能化诊断。通过自建的玉米病虫害数据集对改进模型YOLOv8-EGCW进行检验。结果表明,与原始模型YOLOv8m相比,改进模型YOLOv8-EGCW的精确度、召回率和平均精度均值分别提升了0.4个百分点、1.6个百分点和1.2个百分点,参数量和模型大小大幅减少,单张图像检测时间缩短。建立的玉米病虫害检测系统测试结果显示,准确率达到93.4%,检测速度达1 s 25帧。表明该系统能够满足边缘计算环境下玉米病虫害原位检测的需求。展开更多
露天矿区场景复杂,行车障碍物检测受扬尘和颗粒物等粉尘噪声干扰严重,难以准确识别障碍物,尤其是光线较差的夜间,不利于做出正确决策,从而影响无人作业的安全性和整体效率。针对以上问题,提出了一种基于YOLOv8n模型的露天矿区行车障碍...露天矿区场景复杂,行车障碍物检测受扬尘和颗粒物等粉尘噪声干扰严重,难以准确识别障碍物,尤其是光线较差的夜间,不利于做出正确决策,从而影响无人作业的安全性和整体效率。针对以上问题,提出了一种基于YOLOv8n模型的露天矿区行车障碍物检测算法YOLOv8n-Enhanced。该算法主要从3个方面进行了改进,具体包括:首先,针对受粉尘噪声干扰严重和夜间光线不足的问题,提出了C2fCA模块结构,提高了模型特征提取能力;其次,使用轻量级卷积技术GSConv和VoV-GSCSP模块,减轻模型复杂性,实现检测器更高的计算成本效益;最后,使用WIOU损失函数,提高了模型泛化能力。试验结果表明:改进算法在保持实时性的前提下,可将YOLOv8n的平均精度(mean Average Precision,mAP)分别提高1.8%和2.6%,实现白天与夜间场景下不同尺度的障碍物识别。展开更多
文摘为实现玉米病虫害的原位准确检测与识别,本研究设计了一套基于边缘计算的玉米病虫害智能检测系统。该系统基于YOLOv8模型并进行改进,具体改进方法包括:采用高效视觉网络(EfficientViT)作为主干网络,以降低计算量;在特征融合网络中引入幻影卷积(GhostConv),进一步减轻计算负担;在C2f模块中引入空间通道重建卷积(SCConv),以增强特征提取性能;将损失函数替换为具有动态非单调聚焦机制的损失函数(WIoU),以提高模型的识别精度。同时,本研究设计了基于边缘计算的病虫害检测系统上位机、下位机架构,并将该轻量化模型部署到Jetson orin nano边缘计算设备上。系统采用Pyside6开发系统可视化界面,除具备识别与训练功能外,还集成了基于大模型技术的AI专家库,可以实现对病虫害的智能化诊断。通过自建的玉米病虫害数据集对改进模型YOLOv8-EGCW进行检验。结果表明,与原始模型YOLOv8m相比,改进模型YOLOv8-EGCW的精确度、召回率和平均精度均值分别提升了0.4个百分点、1.6个百分点和1.2个百分点,参数量和模型大小大幅减少,单张图像检测时间缩短。建立的玉米病虫害检测系统测试结果显示,准确率达到93.4%,检测速度达1 s 25帧。表明该系统能够满足边缘计算环境下玉米病虫害原位检测的需求。
文摘露天矿区场景复杂,行车障碍物检测受扬尘和颗粒物等粉尘噪声干扰严重,难以准确识别障碍物,尤其是光线较差的夜间,不利于做出正确决策,从而影响无人作业的安全性和整体效率。针对以上问题,提出了一种基于YOLOv8n模型的露天矿区行车障碍物检测算法YOLOv8n-Enhanced。该算法主要从3个方面进行了改进,具体包括:首先,针对受粉尘噪声干扰严重和夜间光线不足的问题,提出了C2fCA模块结构,提高了模型特征提取能力;其次,使用轻量级卷积技术GSConv和VoV-GSCSP模块,减轻模型复杂性,实现检测器更高的计算成本效益;最后,使用WIOU损失函数,提高了模型泛化能力。试验结果表明:改进算法在保持实时性的前提下,可将YOLOv8n的平均精度(mean Average Precision,mAP)分别提高1.8%和2.6%,实现白天与夜间场景下不同尺度的障碍物识别。
