基于 YOLO 的学习方法的农业实时目标检测与机器人操控
原文中文,约400字,阅读约需1分钟。发表于: 。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。
该研究提出了一种基于YOLOv5的自定义目标检测模型,用于户外环境中的草莓检测。通过改进YOLOv5s架构,提高了特征梯度流,并与其他竞争模型进行了比较。结果显示,该模型在草莓数据集上实现了80.3%的平均精度,具有快速的推理速度和适用于实时草莓检测的网络参数。