利用高效轻量级卷积模块实现实时甘蔗芽检测

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：Real-Time Sugarcane Bud Detection Using Efficient Lightweight Convolutional Blocks

　　本文提出EfficientConv轻量级卷积模块，通过融合Ghost卷积、Shuffle卷积、SE模块及通道注意力，在YOLOv8n至v12n模型中实现GFLOPs降低9.1%-12.4%且保持或提升检测精度。实验验证该模块在甘蔗芽检测场景中显著提升边缘设备（如Jetson-Nano、Raspberry Pi-4B）的实时性能，推动精准农业自动化发展。

　　

摘要

本文针对基于YOLO的甘蔗芽检测方法存在的问题，通过在复杂的农业环境中平衡模型规模、速度和鲁棒性来加以改进。本文介绍了一种名为EfficientConv的轻量级卷积模块，其计算成本比YOLO模型中使用的标准卷积层低9%。通过结合Ghost卷积、Shuffle卷积以及Squeeze-and-Excitation机制和通道级注意力机制，EfficientConv在不牺牲准确性的前提下减少了计算量。该模块与YOLO架构兼容性良好，可无缝集成。我们在专有的甘蔗芽数据集上评估了配备EfficientConv的YOLOv8n至YOLOv12n模型，并在VisDrone基准测试中检验了它们的泛化能力。实时性能在Jetson-Nano和Raspberry Pi-4B等边缘设备上进行了测试。不同YOLO变体中的计算性能提升程度因卷积块的数量而异。由于YOLOv8n、YOLOv11n和YOLOv12n在多个阶段都配备了大量卷积块（每种变体有六个卷积块），因此它们从EfficientConv的集成中受益最多，检测效果和计算效率均显著提升。相比之下，YOLOv9n和YOLOv10n分别只有一个和两个卷积块，因此改进效果较为有限。配备EfficientConv的YOLOv8n取得了最佳性能：mAP@50为73.5%、mAP@95为49.8%，同时计算量减少了12.4%。YOLOv11n和YOLOv12n的计算量也分别减少了9.1%和7.6%，同时保持了或提高了准确率。本文通过提出一种快速、可靠且高效的甘蔗芽检测方法，推动了精准农业的发展。EfficientConv模块在降低计算量和模型规模的同时，保持了或提升了准确率，为甘蔗种植自动化提供了支持。源代码可访问地址：source