机构名称：
¥ 1.0
在现代农业实践中，先进的机器学习技术在优化产量和管理方面起着关键作用。果园管理中的一个重大挑战是检测到树木上的苹果，这对于有效的收获计划和收益率估算至关重要。YOLO系列，尤其是Yolov8模型，它是用于对象检测的最新解决方案，但其在果园中的潜力仍未开发。解决这个问题，我们的研究评估了Yolov8在果园Apple检测中的能力，旨在设定基准。通过采用图像增强技术，例如曝光，旋转，马赛克和切口，我们将模型的性能提升到了最新的水平。我们进一步整合了多任务学习，还通过在地面上识别出苹果来增强苹果的检测。这种方法在评估指标之间产生了具有稳健精度的模型。我们的结果强调了Yolov8模型达到了果园Apple检测的领先标准。在接受树木和倒下的苹果发现训练时，当专门为前者接受培训时，它的表现优于苹果。认识到堕落的苹果不仅减少了废物，而且还可能表明有害生物活动，影响战略或凝视的决策并有可能提高经济回报。将尖端技术与农业需求合并，我们的研究展示了在深度学习中进行多任务学习在水果检测中学习的希望。
倒下的Apple检测作为辅助任务-UCL Discovery
主要关键词
相关文件推荐
