准确识别彩色番茄果实成熟状态是实现机器人高效分类采摘的基础。该研究针对彩色番茄颜色多样、背景复杂、成熟度检测精度不高等问题,以多粒度理论为基础,提出一种“先分割,后检测”U-YOLOv8n细粒度的彩色番茄检测方法。首先,利用U-Net...准确识别彩色番茄果实成熟状态是实现机器人高效分类采摘的基础。该研究针对彩色番茄颜色多样、背景复杂、成熟度检测精度不高等问题,以多粒度理论为基础,提出一种“先分割,后检测”U-YOLOv8n细粒度的彩色番茄检测方法。首先,利用U-Net对彩色番茄串进行分割,将VGG16作为U-Net的主干网络,增强模型特征提取能力;引入全局注意力机制(global attention mechanism,GAM),以提升模型分割性能。对感兴趣区域(region of interest,ROI)进行分割,减少复杂背景对第二阶段检测任务的干扰。其次,以YOLOv8n为基准模型,构建C2f_MS模块,提升模型多尺度特征提取能力;采用SCDown模块替换部分Conv,降低计算冗余的同时,保留细节空间信息;去除小目标检测头及部分Neck层结构,降低计算负荷。结果表明,改进后U-Net的平均像素精确度(mean pixel accuracy,MPA)和平均交并比(mean intersection over union,MIoU)分别达94.35%和88.98%。改进后YOLOv8n的精确度、均值平均精度(m AP_(0.5))分别达93.5%和95.6%,相较于YOLOv8n分别提高了3.1和0.5个百分点;针对较难识别的半熟期,精确率、均值平均精度分别达91.8%和92.4%,较YOLOv8n提高了5.7和1.3个百分点;轻量化方面,较YOLOv8n计算量和参数量分别降低了31%和14%,帧率(frames per second,FPS)提高了41%。该方法可有效完成复杂背景下的彩色番茄成熟度检测任务,为彩色番茄的成熟度分级和智能采摘提供技术支持。展开更多
文摘准确识别彩色番茄果实成熟状态是实现机器人高效分类采摘的基础。该研究针对彩色番茄颜色多样、背景复杂、成熟度检测精度不高等问题,以多粒度理论为基础,提出一种“先分割,后检测”U-YOLOv8n细粒度的彩色番茄检测方法。首先,利用U-Net对彩色番茄串进行分割,将VGG16作为U-Net的主干网络,增强模型特征提取能力;引入全局注意力机制(global attention mechanism,GAM),以提升模型分割性能。对感兴趣区域(region of interest,ROI)进行分割,减少复杂背景对第二阶段检测任务的干扰。其次,以YOLOv8n为基准模型,构建C2f_MS模块,提升模型多尺度特征提取能力;采用SCDown模块替换部分Conv,降低计算冗余的同时,保留细节空间信息;去除小目标检测头及部分Neck层结构,降低计算负荷。结果表明,改进后U-Net的平均像素精确度(mean pixel accuracy,MPA)和平均交并比(mean intersection over union,MIoU)分别达94.35%和88.98%。改进后YOLOv8n的精确度、均值平均精度(m AP_(0.5))分别达93.5%和95.6%,相较于YOLOv8n分别提高了3.1和0.5个百分点;针对较难识别的半熟期,精确率、均值平均精度分别达91.8%和92.4%,较YOLOv8n提高了5.7和1.3个百分点;轻量化方面,较YOLOv8n计算量和参数量分别降低了31%和14%,帧率(frames per second,FPS)提高了41%。该方法可有效完成复杂背景下的彩色番茄成熟度检测任务,为彩色番茄的成熟度分级和智能采摘提供技术支持。
