Nuestro objetivo es abordar la insuficiente robustez de la detección de líneas de navegación para los sementales de producción de semillas de colza en escenarios de campo complejos y los desafíos que enfrentan los modelos existentes en equilibrar la precisión, el rendimiento en tiempo real y el consumo de recursos. Tomando como base el modelo YOLOv8n-seg, primero introdujimos el módulo ADown para mitigar la pérdida de información de submuestreo de características y mejorar la eficiencia computacional. Posteriormente, se empleó el módulo DySample para fortalecer la representación de características del objetivo y mejorar la discriminación de objetos en escenarios complejos. Finalmente, el módulo c2f fue reemplazado por c2fFB para optimizar la fusión de características y reforzar la integración de características multiescala. El rendimiento se evaluó mediante experimentos comparativos, estudios de ablación y pruebas de escenario. El modelo logra una precisión promedio del 99.2%, un mAP50-95 del 84.5%, una tasa de fotogramas de 90.21 fotogramas por segundo y 2.6 millones de parámetros, demostrando un rendimiento de segmentación superior en escenarios complejos. SegNav-YOLOv8n equilibra el rendimiento y los requisitos de recursos, validando la efectividad de las mejoras y proporcionando un soporte técnico confiable para la navegación de maquinaria agrícola en la producción de semillas de colza.
Jiang et al. (Sat,) estudiaron esta cuestión.