Oil Palm Detection from High Resolution Remote Sensing Imagery with Improved YOLO Deep Learning Frameworks
F. A. A. Marzuki · Helmi Zulhaidi Mohd Shafri · Siti Nur Aliaa Roslan 等 11 人
改进YOLO11模型，集成注意力机制提升油棕树遥感检测精度与泛化能力。
在YOLO11颈部集成CA、ECA、CBAM注意力模块，使用WorldView-
YOLO11-CBAM在多数数据集上精度最高，YOLO11-ECA在成熟油棕区最优，均优于基线。
可探索注意力机制在轻量化模型中的部署，或针对不同树龄/混合地类优化注意力模块选择。
改进YOLO模型用于油棕检测，方法新颖且数据量大，对精准农业有参考价值。
目的：现有大多数油棕检测研究依赖于标准YOLO（You Only Look Once）模型，未进行架构修改，限制了其检测性能。本研究旨在通过集成多种注意力机制改进YOLO11模型，以提升油棕检测效果。研究方法：共使用53，113个WorldView-2和无人机数据集的标注，分别用于训练（80%）、验证（10%）和测试（10%）。另纳入外部验证数据集，以评估模型对不同树冠大小和空间特征（幼龄油棕、成熟油棕、混合土地覆盖）的泛化能力。为改进YOLO11模型，在颈部组件中集成了坐标注意力（Coordinate Attention，CA）、高效通道注意力（Efficient Channel Attention，ECA）和卷积块注意力模块（Convolutional Block Attention Module，CBAM）等注意力模块。模型评估涵盖精度评估和处理时间两方面。研究发现与价值：对于主要数据集，YOLO11-CBAM在验证集（0.605）和测试集（0.611）上取得了最高的mAP50-95值。对于外部验证数据集，YOLO11-CBAM在幼龄油棕区域（召回率：0.988，F1分数：0.992）和混合土地覆盖区域（召回率：0.924，F1分数：0.953）均取得了最高的召回率和F1分数。然而，YOLO11-ECA在成熟油棕区域的所有指标上均取得了最高精度。本研究表明，尽管推理时间略有增加，但在YOLO11架构中添加注意力模块可提高检测精度和泛化能力。在不同环境条件下，注意力增强模型在油棕检测中的表现均优于基线模型和基准检测器（Faster R-CNN、RetinaNet）。