SFHG-YOLO小目标检测模型

菠萝芽计数精度升7.4%

一种用坐标注意力与MobileNetV3构建的轻量级检测网络，在无人机菠萝芽识别上同时提高精度和实时性。

俞国燕 · Haochun, Liu

Sensors 2023

参数信息

mAP@0.5 提升幅度

7.4 %

mAP@0.5:0.95 提升幅度

31 %

技术优势

小目标精度大幅提升

通过增强空间注意力与自适应上下文融合，模型对菠萝芽等小目标的感知能力显著增强，mAP@0.5 提升 7.4%。

保持轻量级实时检测

采用 MobileNetV3 和坐标注意力构建轻量级网络，在保证精度的同时控制模型大小与计算成本，适合无人机端部署。

高密度场景更可靠

设计自适应上下文信息融合模块，充分利用多级特征，增强对密集分布小目标的识别能力，减少漏检。

应用场景

• 无人机作物估产：用无人机航拍图像快速计数菠萝芽，替代人工田间清点，提高估产效率。
• 菠萝种植管理：根据菠萝芽密度分布指导疏花疏果和精准农事操作，提升种植管理精细化水平。
• 农业物联网：作为无人机端的轻量级检测模块，接入农业物联网平台，实现菠萝长势实时监测。