Reconocimiento de líneas de navegación sin cultivos en crestas basado en la mejora de la estructura ligera de YOLOv8
Autores: Lv, Runyi; Hu, Jianping; Zhang, Tengfei; Chen, Xinxin; Liu, Wei
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Fuerza laboral agrícola
Tierras cultivadas
Maquinaria agrícola
Líneas de navegación
Lomos sin cultivos
Modelo de red neuronal
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 34
Citaciones: Sin citaciones
Este estudio se sitúa en el contexto de la escasez de mano de obra agrícola y de tierras cultivadas. Con el fin de mejorar el nivel de inteligencia y eficiencia operativa de la maquinaria agrícola y resolver los problemas de dificultades en el reconocimiento de líneas de navegación y la falta de rendimiento en tiempo real de las transplantadoras en el entorno de crestas sin cultivos, proponemos un método de reconocimiento de líneas de navegación en crestas sin cultivos basado en un algoritmo de segmentación YOLOv8 mejorado. Primero, este método reduce los parámetros y la complejidad computacional del modelo reemplazando la red principal YOLOv8 con MobileNetV4 y el módulo de extracción de características C2f con ShuffleNetV2, mejorando así la segmentación en tiempo real de las crestas sin cultivos. En segundo lugar, utilizamos el método de mínimos cuadrados para ajustar el conjunto de puntos obtenido y obtener con precisión las líneas de navegación. Finalmente, el método se aplica a la prueba y análisis de crestas experimentales en el campo. Los resultados mostraron que la precisión promedio del modelo de red neuronal mejorado utilizando este método fue del 90.4%, con un Params de 1.8 M, un FLOPs de 8.8 G y un FPS de 49.5. Los resultados indican que el modelo mantiene una alta precisión mientras supera significativamente a Mask-RCNN, YOLACT++, YOLOv8 y YOLO11 en cuanto a velocidad computacional. La tasa de cuadros de detección aumentó significativamente, mejorando el rendimiento en tiempo real de la detección. Este método utiliza el método de mínimos cuadrados para ajustar el 55% de los puntos de características del contorno de la cresta debajo de la imagen, y la línea de navegación ajustada no muestra una gran desviación en comparación con la línea central de la cresta de la imagen; el resultado es mejor que el del método de ajuste RANSAC. Los resultados de la investigación indican que este método reduce significativamente el tamaño de los parámetros del modelo y mejora la velocidad de reconocimiento, proporcionando una solución más eficiente para la navegación autónoma de aeronaves portadoras inteligentes.
Descripción
Este estudio se sitúa en el contexto de la escasez de mano de obra agrícola y de tierras cultivadas. Con el fin de mejorar el nivel de inteligencia y eficiencia operativa de la maquinaria agrícola y resolver los problemas de dificultades en el reconocimiento de líneas de navegación y la falta de rendimiento en tiempo real de las transplantadoras en el entorno de crestas sin cultivos, proponemos un método de reconocimiento de líneas de navegación en crestas sin cultivos basado en un algoritmo de segmentación YOLOv8 mejorado. Primero, este método reduce los parámetros y la complejidad computacional del modelo reemplazando la red principal YOLOv8 con MobileNetV4 y el módulo de extracción de características C2f con ShuffleNetV2, mejorando así la segmentación en tiempo real de las crestas sin cultivos. En segundo lugar, utilizamos el método de mínimos cuadrados para ajustar el conjunto de puntos obtenido y obtener con precisión las líneas de navegación. Finalmente, el método se aplica a la prueba y análisis de crestas experimentales en el campo. Los resultados mostraron que la precisión promedio del modelo de red neuronal mejorado utilizando este método fue del 90.4%, con un Params de 1.8 M, un FLOPs de 8.8 G y un FPS de 49.5. Los resultados indican que el modelo mantiene una alta precisión mientras supera significativamente a Mask-RCNN, YOLACT++, YOLOv8 y YOLO11 en cuanto a velocidad computacional. La tasa de cuadros de detección aumentó significativamente, mejorando el rendimiento en tiempo real de la detección. Este método utiliza el método de mínimos cuadrados para ajustar el 55% de los puntos de características del contorno de la cresta debajo de la imagen, y la línea de navegación ajustada no muestra una gran desviación en comparación con la línea central de la cresta de la imagen; el resultado es mejor que el del método de ajuste RANSAC. Los resultados de la investigación indican que este método reduce significativamente el tamaño de los parámetros del modelo y mejora la velocidad de reconocimiento, proporcionando una solución más eficiente para la navegación autónoma de aeronaves portadoras inteligentes.