DNE-YOLO: Um método para detecção de frutas de maçã em Diversos Ambientes Naturais

A indústria da maçã, reconhecida como um setor fundamental na agricultura, enfatiza cada vez mais a mecanização e o avanço inteligente da tecnologia de colheita. Este estudo aplica de forma inovadora um algoritmo de simulação de névoa à geração de imagens de maçã, construindo um conjunto de dados de imagens de maçãs sob condições climáticas mistas de sol, nuvens, chuviscos e névoa, chamado DNE-APPLE. Introduz uma rede de detecção de alvo leve e eficiente chamada DNE-YOLO. Baseando-se no modelo base YOLOv8, o DNE-YOLO incorpora o mecanismo de atenção CBAM e o operador de up-sampling CARAFE para aprimorar o foco nas maçãs. Além disso, utiliza o GSConv e a função de perda do mecanismo de foco não monótono dinâmico WIOU para reduzir os parâmetros do modelo e diminuir a dependência da qualidade do conjunto de dados. Resultados experimentais extensivos destacam a eficácia do modelo DNE-YOLO, que alcança uma precisão de detecção de 90,7%, uma taxa de recall de 88,9%, uma precisão média (mAP50) de 94,3%, uma complexidade computacional (GFLOPs) de 25,4G e uma contagem de parâmetros de 10,46M em diversos conjuntos de dados ambientalmente variados. Comparado ao YOLOv8, exibe superioridade em precisão de detecção e robustez em ambientes ensolarados, chuviscos, nublados e nevoentos, tornando-o especialmente adequado para aplicações práticas como a colheita de maçãs para robôs agrícolas. O código deste modelo é de código aberto em https://github.com/wuhaitao2178827/DNE-YOLO.