YOLOv8轻量化的果园复杂环境下苹果检测算法

1

作者 周晖 杨洁 赵祥飞 《科学技术与工程》 北大核心 2025年第6期2274-2283,共10页

针对目前复杂果园环境下苹果目标检测算法存在模型参数量大、计算复杂度高,难以在计算资源匮乏的设备上应用的问题,提出了一种改进YOLOv8的果园复杂环境下轻量化苹果目标检测算法YOLOv8n-Apple。引入骨干网络VanillaNet,减少模型参数量... 针对目前复杂果园环境下苹果目标检测算法存在模型参数量大、计算复杂度高,难以在计算资源匮乏的设备上应用的问题,提出了一种改进YOLOv8的果园复杂环境下轻量化苹果目标检测算法YOLOv8n-Apple。引入骨干网络VanillaNet,减少模型参数量,降低模型复杂度;将原始模型C2f模块替换为C2fGhost模块,通过较少的卷积运算来获得相似特征图进一步减少模型参数;使用轻量级上采样算子CARAFE,避免传统上采样算子语义缺失和感受野过小的问题;由于传统损失函数不能完全捕捉到目标之间的相对位置和大小差异,采用WIoU边界框作为回归损失函数。收集包含远景顺光、远景背光、近景顺光、近景背光等成熟苹果照片共计3120张,从不同角度和背景进行采集,并改进数据增强,避免数据集单个不确定性;本文提出果园环境下改进后的苹果检测模型平均检测精度分别比SSD、Faster R-CNN、YOLOV5、YOLOV7、YOLOV8高7.5个百分点、4.8个百分点、2.2个百分点、3.8个百分点和3.4个百分点,达到90%,检测速度达到286帧,模型大小1.8 MB,比原始模型提高了41帧,模型大小仅有其60.0%。 展开更多

关键词 神经网络 苹果检测 轻量化 YOLOv8 VanillaNet

在线阅读 下载PDF 职称材料

基于改进RetinaNet的果园复杂环境下苹果检测 被引量：19

2

作者 孙俊 钱磊 +3 位作者 朱伟栋 周鑫 戴春霞 武小红 《农业工程学报》 EI CAS CSCD 北大核心 2022年第15期314-322,共9页

为了快速准确地检测重叠、遮挡等果园复杂环境下的苹果果实目标,该研究提出一种基于改进RetinaNet的苹果检测网络。首先,该网络在传统RetinaNet的骨干网络ResNet50中嵌入Res2Net模块,提高网络对苹果基础特征的提取能力;其次,采用加权双... 为了快速准确地检测重叠、遮挡等果园复杂环境下的苹果果实目标,该研究提出一种基于改进RetinaNet的苹果检测网络。首先,该网络在传统RetinaNet的骨干网络ResNet50中嵌入Res2Net模块,提高网络对苹果基础特征的提取能力;其次,采用加权双向特征金字塔网络(Bi-directional Feature Pyramid Network,BiFPN)对不同尺度的特征进行加权融合,提升对小目标和遮挡目标的召回率;最后,采用基于焦损失(Focal Loss)和高效交并比损失(Efficient Intersection over Union Loss,EIoU Loss)的联合损失函数对网络进行优化,提高网络的检测准确率。试验结果表明,改进的网络在测试集上对叶片遮挡、枝干/电线遮挡、果实遮挡和无遮挡的苹果检测精度分别为94.02%、86.74%、89.42%和94.84%,平均精度均值(meanAveragePrecision,mAP)达到91.26%,较传统RetinaNet提升了5.02个百分点,检测一张苹果图像耗时42.72 ms。与Faster-RCNN和YOLOv4等主流目标检测网络相比,改进网络具有优异的检测精度,同时可以满足实时性的要求,为采摘机器人的采摘策略提供了参考。 展开更多

关键词 图像识别 采摘机器人 苹果检测 RetinaNet BiFPN EIoU 遮挡

在线阅读 下载PDF 职称材料

基于改进Mask RCNN的复杂环境下苹果检测研究 被引量：32

3

作者 岳有军 田博凯 +1 位作者 王红君 赵辉 《中国农机化学报》 北大核心 2019年第10期128-134,共7页

苹果检测是苹果采摘系统中的关键环节,为实现复杂环境下苹果采摘机器人视觉系统对苹果的识别和定位,提出一种基于深度学习的方法,通过改进的Mask RCNN网络对苹果进行检测研究。该方法在原始Mask RCNN网络的基础上,增加边界加权损失函数... 苹果检测是苹果采摘系统中的关键环节,为实现复杂环境下苹果采摘机器人视觉系统对苹果的识别和定位,提出一种基于深度学习的方法,通过改进的Mask RCNN网络对苹果进行检测研究。该方法在原始Mask RCNN网络的基础上,增加边界加权损失函数,能够使边界检测结果更为精确。训练后的模型在验证集下的AP值为92.62%。通过比较Mask RCNN与Faster RCNN、YOLO v3和传统分割算法K-means算法在不同数目,不同光照和绿色苹果情况下的检测效果,试验结果表明:Mask-RCNN的F1值和分割效果均高于其他算法,证明本文方法对复杂环境下的苹果有很好的检测效果,可为苹果产业中采摘机器人的视觉系统提供技术支持。 展开更多

关键词 苹果检测 深度学习 采摘机器人 机器视觉

在线阅读 下载PDF 职称材料

基于改进FCOS网络的自然环境下苹果检测 被引量：10

4

作者 龙燕 李南南 +2 位作者 高研 何梦菲 宋怀波 《农业工程学报》 EI CAS CSCD 北大核心 2021年第12期307-313,共7页

为了快速识别和准确定位自然环境下苹果果实目标,提出了一种改进全卷积单阶段无锚框(Fully Convolutional One-Stage object detection,FCOS)网络的苹果目标检测方法。该网络在传统FCOS网络基础上,使用模型体积较小的darknet19作为骨干... 为了快速识别和准确定位自然环境下苹果果实目标,提出了一种改进全卷积单阶段无锚框(Fully Convolutional One-Stage object detection,FCOS)网络的苹果目标检测方法。该网络在传统FCOS网络基础上,使用模型体积较小的darknet19作为骨干网络,将center-ness分支引入到回归分支上。同时提出了一种融合联合交并比(GIoU)和焦点损失(Focal loss)的损失函数,在提高检测性能的同时降低正负样本比例失衡带来的误差。首先,对田间采集的自然环境下的苹果图像进行数据增强和标注,使用darknet骨干网络提取图像特征,然后将不同尺度待检测目标分配到不同的网络层中进行预测,最后进行分类和回归,实现苹果目标的检测。该研究在计算机工作站上对不同光照条件、不同密集程度和不同遮挡程度的苹果果实进行检测试验,并与传统FCOS网络的检测结果进行对比分析。基于改进FCOS网络的检测准确率为96.0%,检测精度均值(mean Average Precision,mAP)为96.3%。试验结果表明,改进FCOS网络比传统FCOS网络的苹果检测方法在检测准确度上有提高,具有较强的鲁棒性。 展开更多

关键词 目标识别 算法 苹果检测 GIoU 焦点损失 FCOS网络

在线阅读 下载PDF 职称材料

基于改进YOLOv5网络的疏果前苹果检测方法 被引量：5

5

作者 姜国权 杨正元 +2 位作者 霍占强 罗军伟 赵翠君 《江苏农业科学》 北大核心 2023年第14期205-215,共11页

为了实现自然环境下疏果前苹果的快速识别和精确定位,满足果园智能化种植需求,提出了一种基于改进的YOLOv5深度学习的检测模型。首先,为了解决苹果的尺度大小不一带来的问题,改进目标检测层,在YOLOv5的第17层之后对特征图进行上采样,在... 为了实现自然环境下疏果前苹果的快速识别和精确定位,满足果园智能化种植需求,提出了一种基于改进的YOLOv5深度学习的检测模型。首先,为了解决苹果的尺度大小不一带来的问题,改进目标检测层,在YOLOv5的第17层之后对特征图进行上采样,在第20层将网络提取到的特征图与Backbone网络中的第2层特征图进行融合操作,以生成不同尺寸的检测层。其次,为了克服复杂环境的影响,改进特征融合网络,使用BiFPN(Bidirectional Feature Pyramid Network)进行特征融合,来更有效地提取目标信息。最后,将采集到的苹果图像进行不同网络模型检测效果对比试验。试验表明,改进的模型经过8274幅图像训练,在2759幅测试集上的检测准确率为94.2%,召回率为95.2%,F1值为94.7%;相比YOLOv3、YOLOv4、原YOLOv5网络,准确率分别提高了4.4%、7.0%、2.3%,F1值分别提高6.1%、6.5%、2.6%;相比YOLOv3、YOLOv4网络,图像的检测速度分别提高了13.5、21.4 ms/幅。结果表明,在保证检测实时性的情况下,该方法可以有效识别复杂环境下的苹果。 展开更多

关键词 改进YOLOv5 疏果前 目标检测 苹果检测 特征融合

在线阅读 下载PDF 职称材料

基于轻量级无锚点深度卷积神经网络的树上苹果检测模型 被引量：9

6

作者 夏雪 孙琦鑫 +1 位作者 侍啸 柴秀娟 《智慧农业（中英文）》 2020年第1期99-110,共12页

为提高现有苹果目标检测模型在硬件资源受限制条件下的性能和适应性,实现在保持较高检测精度的同时,减轻模型计算量,降低检测耗时,减少模型计算和存储资源占用的目的,本研究通过改进轻量级的MobileNetV3网络,结合关键点预测的目标检测网... 为提高现有苹果目标检测模型在硬件资源受限制条件下的性能和适应性,实现在保持较高检测精度的同时,减轻模型计算量,降低检测耗时,减少模型计算和存储资源占用的目的,本研究通过改进轻量级的MobileNetV3网络,结合关键点预测的目标检测网络(CenterNet),构建了用于苹果检测的轻量级无锚点深度学习网络模型(M-CenterNet),并通过与CenterNet和单次多重检测器(Single Shot Multibox Detector,SSD)网络比较了模型的检测精度、模型容量和运行速度等方面的综合性能。对模型的测试结果表明,本研究模型的平均精度、误检率和漏检率分别为88.9%、10.9%和5.8%;模型体积和帧率分别为14.2MB和8.1fps;在不同光照方向、不同远近距离、不同受遮挡程度和不同果实数量等条件下有较好的果实检测效果和适应能力。在检测精度相当的情况下,所提网络模型体积仅为CenterNet网络的1/4;相比于SSD网络,所提网络模型的AP提升了3.9%,模型体积降低了84.3%;本网络模型在CPU环境中的运行速度比CenterNet和SSD网络提高了近1倍。研究结果可为非结构环境下果园作业平台的轻量化果实目标检测模型研究提供新的思路。 展开更多

关键词 机器视觉 深度学习 轻量级网络 无锚点 苹果检测

在线阅读 下载PDF 职称材料

融合轻量化网络与注意力机制的果园环境下苹果检测方法 被引量：9

7

作者 胡广锐 周建国 +5 位作者 陈超 李传林 孙丽娟 陈雨 张硕 陈军 《农业工程学报》 EI CAS CSCD 北大核心 2022年第19期131-142,F0003,共13页

为提高复杂果园环境下苹果检测的综合性能,降低检测模型大小,通过对单阶段检测网络YOLOX-Tiny的拓扑结构进行了优化与改进,提出了一种适用于复杂果园环境下轻量化苹果检测模型(Lightweight Apple Detection YOLOX-Tiny Network,Lad-YXN... 为提高复杂果园环境下苹果检测的综合性能,降低检测模型大小,通过对单阶段检测网络YOLOX-Tiny的拓扑结构进行了优化与改进,提出了一种适用于复杂果园环境下轻量化苹果检测模型(Lightweight Apple Detection YOLOX-Tiny Network,Lad-YXNet)。该模型引入高效通道注意力(Efficient Channel Attention,ECA)和混洗注意力(Shuffle Attention,SA)两种轻量化视觉注意力模块,构建了混洗注意力与双卷积层(Shuffle Attention and Double Convolution Layer,SDCLayer)模块,提高了检测模型对背景与果实特征的提取能力,并通过测试确定Swish与带泄露修正线性单元(Leaky Rectified Linear Unit,Leaky-ReLU)作为主干与特征融合网络的激活函数。通过消融试验探究了Mosaic增强方法对模型训练的有效性,结果表明图像长宽随机扭曲对提高模型综合检测性能贡献较高,但图像随机色域变换由于改变训练集中苹果的颜色,使模型检测综合性能下降。为提高模型检测苹果的可解释性,采用特征可视化技术提取了Lad-YXNet模型的主干、特征融合网络和检测网络的主要特征图,探究了Lad-YXNet模型在复杂自然环境下检测苹果的过程。Lad-YXNet经过训练在测试集下的平均精度为94.88%,分别比SSD、YOLOV4-Tiny、YOLOV5-Lite和YOLOX-Tiny模型提高了3.10个百分点、2.02个百分点、2.00个百分点和0.51个百分点。Lad-YXNet检测一幅图像的时间为10.06 ms,模型大小为16.6 MB,分别比YOLOX-Tiny减少了20.03%与18.23%。该研究为苹果收获机器人在复杂果园环境下准确、快速地检测苹果提供了理论基础。 展开更多

关键词 图像处理 可视化 苹果检测 收获机器人 卷积网络 视觉注意力机制

在线阅读 下载PDF 职称材料

基于改进YOLOv4的苹果检测与果径估测方法 被引量：8

8

作者 岳琳茜 李文宽 +2 位作者 杨晓峰 李海芳 杨其晟 《激光杂志》 CAS 北大核心 2022年第2期58-65,共8页

为实现自然场景下苹果快速、精确检测与果实生长状态监测,提出基于改进的YOLOv4苹果检测模型与果径估测方法。针对自然场景下背景杂乱、目标较小等问题,在特征提取网络中引入注意力机制使模型更关注于果实区域,并在路径聚合网络中使用DO... 为实现自然场景下苹果快速、精确检测与果实生长状态监测,提出基于改进的YOLOv4苹果检测模型与果径估测方法。针对自然场景下背景杂乱、目标较小等问题,在特征提取网络中引入注意力机制使模型更关注于果实区域,并在路径聚合网络中使用DO-Conv卷积以丰富网络提取的特征信息,提高模型检测性能。将检测后的目标区域进行CIELAB颜色空间分量下的阈值分割,利用RGB-D深度信息进行尺寸转换,实现果径估测。实验结果表明,模型检测精度达91.5%。果径估测平均绝对误差为1.91 mm,均方根误差(RMSE)为2.17 mm,总体分级准确率在90%以上,可为田间苹果分级与生长状态监测提供参考。 展开更多

关键词 YOLOv4 苹果检测 注意力机制 果径测量 苹果分级

在线阅读 下载PDF 职称材料

基于多粒度特征感知的FoveaBox绿色苹果抗遮挡检测模型

9

作者 任晶晶 张小勇 贾伟宽 《中国农机化学报》 北大核心 2025年第3期182-187,共6页

目标果实检测精度直接影响果园智能作业的效率,当前以卷积神经网络为代表的特征提取网络仅从局部感受野中提取特征用于目标检测,果实受枝叶遮挡或果实间重叠时存在一定的局限性,导致检测精度偏低。为提升被遮挡目标果实的检测精度,提出... 目标果实检测精度直接影响果园智能作业的效率,当前以卷积神经网络为代表的特征提取网络仅从局部感受野中提取特征用于目标检测,果实受枝叶遮挡或果实间重叠时存在一定的局限性,导致检测精度偏低。为提升被遮挡目标果实的检测精度,提出抗遮挡的FoveaBox果实检测优化模型。首先,新模型引入Swin Transformer作为骨干网络,通过计算块间的相似度,打破传统卷积仅从局部区域提取特征的限制,从而增强特征映射的表征能力;其次,采用特征金字塔网络,通过横向连接和自顶向下结构聚合浅层高分辨率特征与高层语义信息,输出金字塔型特征映射;然后,将金字塔型特征映射输入Fovea头部网络中,利用分类子网络与边界框子网络进行检测目标;最后,通过焦点损失函数Focal Loss与Smooth L1对模型进行迭代寻优,直至模型收敛。验证表明,优化模型在IoU为0.5阈值下的平均精确度可达86.3%,优于FCOS、TOOD与LAD等先进模型。提出的抗遮挡的FoveaBox可在一定程度上提升被遮挡目标的检测精确度。 展开更多

关键词 被遮挡苹果检测 多粒度特征感知 FoveaBox Swin Transformer 区域相似度计算

在线阅读 下载PDF 职称材料

基于改进YOLOv5s的苹果表面缺陷检测

10

作者 吕利俊 伊力哈木·亚尔买买提 《山东农业科学》 北大核心 2025年第6期149-157,共9页

针对苹果表面缺陷检测中存在因苹果重叠或被遮挡造成的检测精度低以及误检漏检等问题,本研究提出一种改进YOLOv5s算法的苹果表面缺陷检测方法。首先,在YOLOv5s模型的Backbone部分加入卷积注意力模块(CBAM),增强检测模型对图像重要区域... 针对苹果表面缺陷检测中存在因苹果重叠或被遮挡造成的检测精度低以及误检漏检等问题,本研究提出一种改进YOLOv5s算法的苹果表面缺陷检测方法。首先,在YOLOv5s模型的Backbone部分加入卷积注意力模块(CBAM),增强检测模型对图像重要区域信息的关注程度,从而提升模型对苹果表面缺陷的检测能力;其次,引入加权双向特征金字塔网络(BiFPN),充分融合不同尺度的苹果表面缺陷特征,以达到减少漏检和误检的目的;最后,使用Soft-NMS算法替代原始网络中的NMS算法,优化冗余边界框筛选条件,进一步降低模型的漏检率。实验结果显示,本研究所提算法的平均精度均值(mAP)达到95.5%,相较于原始算法提升了3.3个百分点,且召回率提升了4.6个百分点,能更好地检测苹果表面缺陷。 展开更多

关键词 苹果表面缺陷检测 YOLOv5s 卷积注意力机制 加权双向特征金字塔网络

在线阅读 下载PDF 职称材料

基于轻量化改进的苹果树病害检测方法研究

11

作者 张子鹏 孟梓宸 +2 位作者 赵晨阳 曲文 张韬 《林业机械与木工设备》 2025年第4期73-83,共11页

苹果作为全球重要的经济作物之一,其产量和质量直接受到病害的影响。为解决目前传统人工检测病害过程中主观性强、效率低,以及农业检测设备资源有限等问题,基于YOLOv8(You Only Look Once Version 8)提出了一种高效、轻量化的病害检测... 苹果作为全球重要的经济作物之一,其产量和质量直接受到病害的影响。为解决目前传统人工检测病害过程中主观性强、效率低,以及农业检测设备资源有限等问题,基于YOLOv8(You Only Look Once Version 8)提出了一种高效、轻量化的病害检测模型—YOLOv8-RIC。在YOLOv8的基础上对主干网络进行了优化,分别引入了轻量级卷积神经网络RGN(RepGhostNet)和改进型残差移动网络iRMB(Improved Residual MobileNet Backbone),替换了原有的C2f模块,有效提升了模型的特征提取能力并降低了硬件计算成本。与原始YOLOv8模型相比,YOLOv8-RIC在自建图像数据集上的目标检测任务中,mAP(多类别平均精度)提高了6.2%,Precision(精确度)提高了12.7%。实验结果表明,该方法在复杂场景下对苹果树病害的检测具有较高的效率和鲁棒性,为精准农业的发展提供了有力支持。 展开更多

关键词 农作物 苹果树病害检测 轻量化模型 YOLOv8-RGN-iRMB-CBAM

在线阅读 下载PDF 职称材料

基于弱监督学习的小样本早期苹果叶片病害检测 被引量：1

12

作者 王勇 周强 吴凯 《中国农机化学报》 北大核心 2024年第12期193-199,共7页

针对现有苹果叶片病害检测方法的性能过度依赖标注数据集的问题,提出一种基于弱监督学习的小样本早期苹果叶片病害检测算法。首先,利用一组共享权重的主干网络将病害叶片映射到高维特征空间;其次,利用多层注意力机制建立双分支特征语义... 针对现有苹果叶片病害检测方法的性能过度依赖标注数据集的问题,提出一种基于弱监督学习的小样本早期苹果叶片病害检测算法。首先,利用一组共享权重的主干网络将病害叶片映射到高维特征空间;其次,利用多层注意力机制建立双分支特征语义关联模块,并在关联语义特征图上生成指导查询图片中新病害类型分类的原型集;再次,利用无参数的匹配方法计算原型集与查询图片中新病害叶片特征间的相似度,根据相似度值定位与识别病害区域;最后,利用虚线框标注建立弱监督学习机制,并借助标签平滑交叉损失端到端优化模型。通过在开源的Plant Village数据集和自建的早期苹果叶片病害数据集上进行试验,所提出方法分别实现96.39%、94.81%的精准率,96.71%、94.67%的召回率和97.24%、95.20%的F1值,优于当前经典的目标识别算法。 展开更多

关键词 苹果叶片病害检测 小样本学习 弱监督学习 多层注意力机制

在线阅读 下载PDF 职称材料

基于改进YOLOv8的苹果叶病害轻量化检测算法 被引量：4

13

作者 罗友璐 潘勇浩 +1 位作者 夏顺兴 陶友志 《智慧农业（中英文）》 CSCD 2024年第5期128-138,共11页

[目的/意义]苹果是中国重要的农产品,为了保障苹果的健康生长,降低其患病率,研发苹果叶病害检测技术具有重要意义。本研究旨在应对苹果生长过程中出现的病害快速检测问题,提出一种基于改进YOLOv8的苹果叶病害检测算法。[方法]选用YOLOv8... [目的/意义]苹果是中国重要的农产品,为了保障苹果的健康生长,降低其患病率,研发苹果叶病害检测技术具有重要意义。本研究旨在应对苹果生长过程中出现的病害快速检测问题,提出一种基于改进YOLOv8的苹果叶病害检测算法。[方法]选用YOLOv8n模型对苹果在生长期间的多种病害(褐腐病、褐纹病、黑星病和锈病)进行识别。引入SPD-Conv替代传统卷积层,降低模型参数量和运算量的同时提高检测精度。在Neck层中添加多尺度空洞注意力机制(Multi-Scale Dilated Attention,MSDA),使模型通过动态感受野自适应地聚焦于图像中的关键区域,增强病害特征提取能力。此外,参考重参数化卷积神经网络(Reparameterized Convolutional Neural Network,RepVGG)架构,优化了原有检测头,实现检测和推理过程的架构分离,加快了模型的推理速度,提升了其特征学习能力。最后,构建了一个包含上述病害的苹果叶片数据集,并在此数据集上进行试验。[结果和讨论]改进后的模型在运算量降低0.1 G的同时,mAP50和mAP50∶95分别达到了88.2%和37.0%,较原模型分别提高了2.7%和1.3%,模型大小仅为7.8 MB。准确率和召回率分别为83.1%和80.2%,较原模型分别提升了0.9%和1.1%。分别与YOLOv7-tiny、YOLOv9-c、RetinaNet、Faster-RCNN等多个模型进行对比试验,结果表明,提出的YOLOv8n-SMR模型表现出优异性能,有效控制了计算复杂度和参数量。优化后的网络结构在模型大小,浮点运算次数和参数量上均保持较低水平,适合在无人机系统等硬件资源受限设备上高效部署。[结论]改进后的模型能够实现对苹果叶病害的准确检测,该方法不仅提高了检测精度,还通过轻量化设计有效减少了模型的运算量,为后续的苹果生长和果实收集提供可靠的数据支持,并为进一步苹果叶病害研究和探索提供了有利的参考。 展开更多

关键词 深度学习 YOLOv8 苹果叶病害检测 MSDA SPD-Conv

在线阅读 下载PDF 职称材料

基于改进YOLOv7的复杂环境下苹果目标检测 被引量：1

14

作者 莫恒辉 魏霖静 《浙江大学学报（工学版）》 EI CAS CSCD 北大核心 2024年第12期2447-2458,共12页

采摘机器人在不稳定光照、果实多样性和树叶遮挡等复杂自然环境下识别苹果时,检测模型难以捕获关键特征,导致采摘效率和准确性较低.提出基于YOLOv7模型的针对复杂场景下苹果目标检测的改进算法.通过限制对比度自适应直方图均衡化算法增... 采摘机器人在不稳定光照、果实多样性和树叶遮挡等复杂自然环境下识别苹果时,检测模型难以捕获关键特征,导致采摘效率和准确性较低.提出基于YOLOv7模型的针对复杂场景下苹果目标检测的改进算法.通过限制对比度自适应直方图均衡化算法增强苹果图像对比度,以减少背景干扰,增强目标轮廓清晰度;提出多尺度混合自适应注意力机制,通过特征解构与重构,协同整合空间和通道维度的注意力导向,优化多层次特征的长短距离建模,增强模型对苹果特征的提取能力与抗背景干扰能力;引入全维度动态卷积,通过精细化的注意力机制优化特征选择过程;增加检测头个数,解决小目标检测问题;采用Meta-ACON激活函数,优化特征提取过程中的关注度分配.结果表明,改进后的YOLOv7模型对苹果的平均检测准确率和召回率分别为85.7%、87.0%,相比于Faster R-CNN、SSD、YOLOv5、YOLOv7,平均检测精度分别提高了15.2、7.5、4.5、2.5个百分比,平均召回率分别提高了13.7、6.5、3.6、1.3个百分比.模型效果表现优异,为苹果生长监测及机械摘果研究提供了坚实的技术支撑. 展开更多

关键词 苹果目标检测 YOLOv7 注意力机制 小目标检测 激活函数 Grad-CAM

在线阅读 下载PDF 职称材料

基于改进YOLO v4的自然环境苹果轻量级检测方法 被引量：50

15

作者 王卓 王健 +3 位作者 王枭雄 时佳 白晓平 赵泳嘉 《农业机械学报》 EI CAS CSCD 北大核心 2022年第8期294-302,共9页

针对苹果采摘机器人识别算法包含复杂的网络结构和庞大的参数体量,严重限制检测模型的响应速度问题,本文基于嵌入式平台,以YOLO v4作为基础框架提出一种轻量化苹果实时检测方法(YOLO v4-CA)。该方法使用MobileNet v3作为特征提取网络,... 针对苹果采摘机器人识别算法包含复杂的网络结构和庞大的参数体量,严重限制检测模型的响应速度问题,本文基于嵌入式平台,以YOLO v4作为基础框架提出一种轻量化苹果实时检测方法(YOLO v4-CA)。该方法使用MobileNet v3作为特征提取网络,并在特征融合网络中引入深度可分离卷积,降低网络计算复杂度;同时,为弥补模型简化带来的精度损失,在网络关键位置引入坐标注意力机制,强化目标关注以提高密集目标检测以及抗背景干扰能力。在此基础上,针对苹果数据集样本量小的问题,提出一种跨域迁移与域内迁移相结合的学习策略,提高模型泛化能力。试验结果表明,改进后模型的平均检测精度为92.23%,在嵌入式平台上的检测速度为15.11 f/s,约为改进前模型的3倍。相较于SSD300与Faster R-CNN,平均检测精度分别提高0.91、2.02个百分点,在嵌入式平台上的检测速度分别约为SSD300和Faster R-CNN的1.75倍和12倍;相较于两种轻量级目标检测算法DY3TNet与YOLO v5s,平均检测精度分别提高7.33、7.73个百分点。因此,改进后的模型能够高效实时地对复杂果园环境中的苹果进行检测,适宜在嵌入式系统上部署,可以为苹果采摘机器人的识别系统提供解决思路。 展开更多

关键词 采摘机器人 苹果检测 YOLO v4 轻量化 注意力机制 迁移学习

在线阅读 下载PDF 职称材料

基于卷积神经网络的苹果缺陷检测算法 被引量：29

16

作者 刘云 杨建滨 王传旭 《电子测量技术》 2017年第3期108-112,共5页

苹果的外观是评价苹果品质的重要特征。由于苹果的果萼与果梗的影响,机器视觉技术检测苹果的外观缺陷一直是研究的难点,提出了基于卷积神经网络(CNN)的苹果分块缺陷检测算法。首先改进了一种基于RGB彩色分量算术运算的背景分割算法;然... 苹果的外观是评价苹果品质的重要特征。由于苹果的果萼与果梗的影响,机器视觉技术检测苹果的外观缺陷一直是研究的难点,提出了基于卷积神经网络(CNN)的苹果分块缺陷检测算法。首先改进了一种基于RGB彩色分量算术运算的背景分割算法;然后采用64×64步长为32的窗口对前景进行分块处理,以正常、果萼、果梗、边界图像块为正样本,以腐烂、疤痕、虫伤等缺陷统一为负样本,采用渐进式学习方法确定训练样本数目。正常与缺陷苹果各150个作为测试数据。实验结果表明,该算法的检测速度为5个/s,且正确率高达97.3%。 展开更多

关键词 苹果缺陷检测 卷积神经网络 机器视觉 果梗 果萼

在线阅读 下载PDF 职称材料

基于颜色与果径特征的苹果树果实检测与分级 被引量：28

17

作者 樊泽泽 柳倩 +2 位作者 柴洁玮 杨晓峰 李海芳 《计算机工程与科学》 CSCD 北大核心 2020年第9期1599-1607,共9页

苹果是多地的主产水果和主要经济作物之一,通过自然环境下的苹果树图像对苹果检测并分级有助于推进果业现代化。结合深度学习和传统方法,提出融合颜色与果径特征的果实检测与分级算法。为提高果树图像中小目标的检出和光照不匀、果实颜... 苹果是多地的主产水果和主要经济作物之一,通过自然环境下的苹果树图像对苹果检测并分级有助于推进果业现代化。结合深度学习和传统方法,提出融合颜色与果径特征的果实检测与分级算法。为提高果树图像中小目标的检出和光照不匀、果实颜色差异大时检测边框的准确率,基于卷积神经网络提出自然场景下的苹果检测算法,在2组不同尺度的特征图上进行果实检测,提取检测框内图像在CIELAB颜色空间下b^*、(1.8b^*-L^*)颜色分量,将图像二值化并精确提取目标轮廓二次校正检测框。实验结果显示,苹果检测算法的准确率达91.60%,F1-score值达87.62%。据图像内目标大小与实际尺寸的映射方法计算苹果直径,实现果实分级,实验表明分级准确率达90%。 展开更多

关键词 苹果检测 苹果分级 卷积神经网络 果径 颜色分量

在线阅读 下载PDF 职称材料

基于改进YOLOv7的疏果期苹果目标检测方法 被引量：30

18

作者 龙燕 杨智优 何梦菲 《农业工程学报》 EI CAS CSCD 北大核心 2023年第14期191-199,共9页

疏果期苹果目标检测是实现疏果机械化、自动化需要解决的关键问题。为实现疏果期苹果目标准确检测,该研究以YOLOv7为基础网络,融合窗口多头自注意力机制,设计了一种适用于近景色小目标检测的深度学习网络。首先在YOLOv7模型的小目标检... 疏果期苹果目标检测是实现疏果机械化、自动化需要解决的关键问题。为实现疏果期苹果目标准确检测,该研究以YOLOv7为基础网络,融合窗口多头自注意力机制,设计了一种适用于近景色小目标检测的深度学习网络。首先在YOLOv7模型的小目标检测层中添加Swin Transformer Block,保留更多小尺度目标特征信息,将预测框与真实框方向之间的差异考虑到模型训练中,提高模型检测精度,将YOLOv7中的损失函数CIoU替换为SIoU。最后利用Grad-CAM方法产生目标检测热力图,进行有效特征可视化,理解模型关注区域。经测试,该文模型的检测均值平均精度为95.2%,检测准确率为92.7%,召回率为91.0%,模型所占内存为81 MB,与原始模型相比,均值平均精度、准确率、召回率分别提高了2.3、0.9、1.3个百分点。该文模型对疏果期苹果具有更好的检测效果和鲁棒性,可为苹果幼果生长监测、机械疏果等研究提供技术支持。 展开更多

关键词 图像识别 模型 苹果目标检测 SIoU 深度学习

在线阅读 下载PDF 职称材料

基于ARM的苹果采后田间分级检测系统设计 被引量：5

19

作者 许立兵 朱启兵 黄敏 《计算机工程与应用》 CSCD 北大核心 2015年第16期234-238,共5页

苹果采摘后的及时分类,可以降低储藏、包装、加工等生产成本,对于增加果农的经济收入,提高企业经济效益具有重要的作用。项目研究并开发了一套基于ARM11+Linux架构,以S3C6410为核心处理器、运行精简的Linux内核的苹果采后田间预分级检... 苹果采摘后的及时分类,可以降低储藏、包装、加工等生产成本,对于增加果农的经济收入,提高企业经济效益具有重要的作用。项目研究并开发了一套基于ARM11+Linux架构,以S3C6410为核心处理器、运行精简的Linux内核的苹果采后田间预分级检测系统,克服了传统分级检测系统体积庞大,难以田间实时应用等缺点。该系统利用CMOS图像传感器,基于Linux下的V4L2编程框架,实现苹果图像的实时采集;采用基于Haar-like特性的级联Adaboost目标检测算法,调用Open CV机器视觉库,完成检测图像中的苹果缺陷和大小识别;并由执行机构完成不同等级苹果的分离操作。系统控制界面采用QT应用程序开发框架和多线程技术,保证了控制按键的快速响应。实验结果表明,一个苹果的平均检测时间为300 ms,对于各级苹果分类的平均精度为93%,与传统苹果检测系统相比,该系统检测速度快,成本低,体积小,适合苹果的田间预分级检验。 展开更多

关键词 苹果检测 QT ARM OPEN CV 机器视觉

在线阅读 下载PDF 职称材料

基于改进SSD的苹果叶部病理检测识别 被引量：8

20

作者 李辉 严康华 +2 位作者 景浩 侯锐 梁晓菡 《传感器与微系统》 CSCD 北大核心 2022年第10期134-137,共4页

针对目前主流的目标检测算法在苹果叶部病理的检测中识别速度和精度较低的问题,实现了基于改进SSD的苹果叶部病理的检测识别。首先,采用轻量级特征融合结构,融合高低层特征图特征;其次,引入通道注意力机制,提取更有效的病斑小目标特征信... 针对目前主流的目标检测算法在苹果叶部病理的检测中识别速度和精度较低的问题,实现了基于改进SSD的苹果叶部病理的检测识别。首先,采用轻量级特征融合结构,融合高低层特征图特征;其次,引入通道注意力机制,提取更有效的病斑小目标特征信息,同时使用Focal Loss损失函数代替原有的Multibox Loss损失函数,减少了训练中大量简单负样本的权值;最后,利用苹果叶部病理公共数据集进行对比实验,选取训练最优的网络。实验表明:改进的SSD比其它算法的检测效果有明显的提升。 展开更多

关键词 苹果叶部病理检测 SSD算法 特征融合 通道注意力机制

在线阅读 下载PDF 职称材料