Seedling-YOLO: Algoritmo de Detecção de Alvo de Alta Eficiência para Qualidade de Transplante de Mudanças de Brócolis Baseado no YOLOv7-Tiny

A detecção rápida e precisa da qualidade do plantio de mudas de brócolis é crucial para a implementação da gestão inteligente de campo robótica. No entanto, algoritmos existentes frequentemente enfrentam problemas de detecções falsas e detecções perdidas ao identificar as categorias de qualidade do plantio de brócolis. Por exemplo, a semelhança entre as características das bolas de raiz de brócolis e o solo, junto com o potencial de serem obscurecidas por folhas, leva a detecções falsas de "mudas expostas". Além disso, as características deixadas pelo efetor terminal se assemelham ao fundo, tornando a detecção da categoria "colinas perdidas" desafiadora. Além disso, os algoritmos existentes requerem recursos computacionais e memória substanciais. Para abordar esses desafios, desenvolvemos o Seedling-YOLO, um modelo de aprendizado profundo dedicado à detecção visual da qualidade do plantio de brócolis. Inicialmente, projetamos um novo módulo, as Redes de Agregação de Camadas Eficientes-Pconv (ELANP), utilizando convolução parcial (Pconv). Este módulo serve como a rede de extração de características de backbone, reduzindo efetivamente cálculos redundantes. Além disso, o modelo incorpora a ReReconstrução de Características Baseada em Conteúdo (CARAFE) e Atenção Coordenada (CA), aprimorando seu foco nas informações espaciais de longo alcance de amostras difíceis de detectar. Resultados experimentais demonstram que nosso modelo Seedling-YOLO supera o YOLOv4-tiny, YOLOv5s, YOLOv7-tiny e YOLOv7 em termos de velocidade e precisão, particularmente na detecção das categorias chave ‘mudas expostas’ e ‘colinas perdidas’ que impactam a produtividade, com valores de Precisão Média (AP) de 94,2% e 92,2%, respectivamente. O modelo alcançou uma Precisão Média (mAP@0,5) de 94,3% e uma taxa de quadros de 29,7 quadros por segundo (FPS). Em testes em campo realizados com fileiras duplas de vegetais em um espaçamento de plantas de 0,4 m e velocidade do robô de 0,6 m/s, o Seedling-YOLO exibiu eficiência e precisão ideais. Ele alcançou uma precisão de detecção real de 93% e uma eficiência de detecção de 180 plantas/min, atendendo aos requisitos para detecção em tempo real e precisa. Este modelo pode ser implantado em robôs de reposição de mudas, fornecendo uma solução visual para robôs, aumentando assim a produtividade de vegetais.