YOLO-LT的无人机航拍苹果果园小目标检测及产量预测方法

摘要

针对无人机拍摄条件下小目标果实识别及产量预测精度不高的问题，提出一种YOLO-LT的无人机航拍苹果果园小目标检测及产量预测方法。首先，提出YOLO-LT模型，在YOLOv8n模型主干网络中添加图像增强去雾模块（feature fusion attention network, FFA-Net）,增强了雾天等复杂环境下图像的清晰度；用焦点调制网络（focal modulation networks, Focal Nets）替代快速空间金字塔池化模块（spatial pyramid pooling fast, SPPF）,提高了小目标特征的提取能力；在neck部分引入扩张式残差分割网络（dilation-wise residual segmentation, DWR seg）,优化C2f和bottleneck模块的性能；同时，在目标检测层中集成混合注意力变换器（hybrid attention transformer, HAT）,进一步提升模型对小目标的关注度和检测敏感性。其次，利用YOLO-LT模型检测果树图像中的果实数量，并结合无人机图像获取的果树树冠面积，将上述检测结果作为输入特征，构建CNN-LSTM空间时序产量预测模型。试验表明，提出的YOLO-LT模型不仅在检测精度上有显著提升，其精确率、召回率和平均精确率均值（mAP）分别提高了5.3、3.9和4.3个百分点，推理速度达到49帧·s^-1,且模型大小仅为12.6 MB。CNN-LSTM产量预测模型的决定系数（R²）达到了0.8060,均方根误差（RMSE）为1.8167 kg。此方法能够满足自然环境下果树测产的实际需求，为现代果园智能化管理提供了有效的技术支持。

关键词

苹果果园 / 小目标检测 / 产量预测 / 特征提取 / YOLO-LT / 无人机航拍