YOLOv8 ist ein führender Algorithmus in der Einzelstufenobjekterkennung und wird als Spitze der Technologie angesehen. Durch wesentliche Verbesserungen hat die vorgeschlagene Methode signifikante Fortschritte in der Erkennungsleistung und Geschwindigkeit erzielt. YOLOv8 kombiniert die Stärken und Merkmale früherer YOLO-Versionen und ermöglicht so bedeutende Fortschritte in der Erkennungsleistung und Geschwindigkeit. Das Ziel dieser Forschung ist es, die Fähigkeit des YOLOv8-Frameworks zur Erkennung von dichten Aprikosenblüten aus der Perspektive einer Drohne zu verbessern, mit dem Ziel, die Erkennungsgenauigkeit zu verbessern und das Modell für Effizienz zu optimieren.
Die Dense-YOLOv8, oder D-YOLOv8, wurde eingeführt, um die Herausforderung der Erkennung von dichten Aprikosenblüten aus der Sicht einer Drohne anzugehen. Die Architektur des D-YOLOv8-Modells umfasst die Verwendung einer Dense-FPN-Module zur Extraktion dichter Merkmale aus den flachen Schichten des Backbone-Netzwerks und die effiziente Extraktion von Merkmalen und deren Verwendung zur Objekterkennung durch das DAL-Modul. Diese Verbesserungen reduzieren nicht nur die Struktur des Modells, sondern erhöhen auch die Trainingsgeschwindigkeit und verbessern die Echtzeit-Performance. Damit ist das D-YOLOv8-Modell besser für leichte Drohnenplattformen geeignet und eröffnet neue Möglichkeiten im Bereich der Drohnenanwendungen.
Während des Trainings ermittelt der Detection Head des D-YOLOv8-Modells, welcher die Modellausgaben mit den Ground-Truth-Werten für die Verlustberechnung abgleicht. Dies wird durch die Verwendung einer Task-Aligned Assigner-Strategie erreicht, die das CIoU (Complete Intersection over Union) und die Vorhersagewerte multipliziert, um eine Metrik zu erhalten, die den Grad der Ausrichtung zwischen Vorhersagen und Ground-Truth misst. Darüber hinaus werden verschiedene Metriken wie die Verlustfunktionen BCE, CIoU und DFL verwendet, um die Erkennungseffizienz und -genauigkeit des Modells zu verbessern. Diese Methoden tragen dazu bei, die Leistungsfähigkeit des Modells zu steigern und seine Robustheit zu erhöhen.
Die Einführung von DFL in das D-YOLOv8-Modell hat zu höherer Genauigkeit und besseren Leistungen in Aufgaben der Objekterkennung geführt, insbesondere in Drohnen-basierten Erkennungsaufgaben in komplexen Szenarien mit dichten Objekteverteilungen. Die Integration von DFL stellt nicht nur einen signifikanten Fortschritt im Bereich der Objekterkennung dar, sondern liefert auch neue Einblicke und Methoden für zukünftige Forschung und Anwendungen in verwandten Bereichen. Der Detection Head des D-YOLOv8-Modells berechnet die Position und Klassifizierung der Erkennungsergebnisse durch nicht-maximale Unterdrückung (NMS) und liefert die endgültigen Erkennungsergebnisse. Das D-YOLOv8-Modell zeigt gute Ergebnisse in der Erkennung dichter Aprikosenblüten und identifiziert die Mehrheit der Aprikosenblütentargets korrekt.
Die Einführung des DFL in das D-YOLOv8-Modell hat die Genauigkeit und Leistung in der Erkennung von Objekten verbessert, insbesondere von dichten kleinen Objekten. Die Einbeziehung von DFL hat nicht nur signifikante Auswirkungen auf die Objekterkennung, sondern liefert auch neue Einblicke und Methoden für zukünftige Forschung und Anwendungen. Durch den Einsatz von RAW-Bildern zur verlustfreien Verbesserung der Datenqualität, sowie der Implementierung des D-YOLOv8-Modells, wird eine effiziente und präzise Erkennung dichter Aprikosenblüten aus der Perspektive einer Drohne ermöglicht.