《农业机械学报》·10月15日 · 周四论文农业人工智能与决策模型阅读 0
基于改进YOLO 11n模型的棉花田间复杂环境障碍物检测方法
论文解读
71接近精选线
速览
提出改进YOLO 11n模型，实现棉花田间复杂遮挡环境下障碍物高精度检测。
方法
以StarNet为骨干，引入DBA、KAGNConv与SEAM注意力模块，改进Y
发现
改进模型精确率91.7%、召回率88.3%、mAP50达91.9%，各项指标均提升。
机会点
可探索轻量化模型在边缘设备实时部署，并扩展至多作物多类障碍物检测。
影响力16
信息增量21
专业深度18
信源权威14
时效性2
改进YOLO 11n实现棉花田间遮挡障碍物检测，方法新颖、指标提升明确，属农业人工智能细分领域实质进展，但发布日期未知、时效性偏弱。
原文摘要
韩科立、王振坤等(中国农业机械化科学研究院集团有限公司;现代农装科技股份有限公司;农业装备技术全国重点实验室)针对棉花田间复杂环境障碍物被遮挡致准确检测难、边缘设备算力有限的问题,提出一种基于改进YOLO 11n模型的田间障碍物检测方法。采用StarNet作为主要特征提取网络并引入DBA模块增强多尺度特征交互能力;使用KAGNConv替换C3k2瓶颈结构增强灵活性与可解释性;集成分离与增强注意力模块SEAM至检测头增强遮挡场景能力。试验结果表明,改进模型YOLO 11n-SKS精确率、召回率、mAP50、mAP50-95分别提升2.3、2.1、1.3、1.4个百分点,达到91.7%、88.3%、91.9%、62.3%。
信源（1 个）