基于YOLO v5s的自然场景油茶果识别方法

被引：31

作者：

宋怀波 ^{[1
,2
]}

王亚男 ^{[1
,2
]}

王云飞 ^{[1
,2
]}

吕帅朝 ^{[1
,2
]}

江梅 ^{[1
,2
]}

机构：

[1] 西北农林科技大学机械与电子工程学院

[2] 农业农村部农业物联网重点实验室

来源：

农业机械学报 | 2022年 / 53卷 / 07期

基金：

国家重点研发计划;

关键词：

油茶果; 自然场景; 目标检测; YOLO v5s; 深度学习; 数据增强;

D O I：

暂无

中图分类号：

TP391.41 []; S794.4 [油茶];

学科分类号：

080203 ; 0829 ; 0907 ;

摘要：

针对油茶果体积小、分布密集、颜色多变等特点，为实现自然复杂场景下油茶果的快速精准定位，并依据果实的疏密分布，确定恰当的自动振荡采收装置夹持位置，利用YOLO v5s卷积神经网络模型，开展了自然环境下油茶果图像检测方法研究，用3 296幅油茶果图像制作PASCAL VOC的数据集，对网络进行了150轮训练，得到的最优权值模型准确率为90.73%,召回率为98.38%,综合评价指标为94.4%,平均检测精度为98.71%,单幅图像检测时间为12.7 ms,模型占内存空间为14.08 MB。与目前主流的一阶检测算法YOLO v4-tiny和RetinaNet相比，其精确率分别提高了1.99个百分点和4.50个百分点，召回率分别提高了9.41个百分点和10.77个百分点，时间分别降低了96.39%和96.25%。同时结果表明，该模型对密集、遮挡、昏暗环境和模糊虚化情况下的果实均能实现高精度识别与定位，具有较强的鲁棒性。研究结果可为自然复杂环境下油茶果机械采收及小目标检测等研究提供借鉴。

引用

页码：234 / 242

页数：9

共 27 条

[1]

DeepPhenology: Estimation of apple flower phenology distributions based on deep learning.[J].Wang Xu (Annie);Tang Julie;Whitty Mark.Computers and Electronics in Agriculture.2021,

[2]

Apple detection during different growth stages in orchards using the improved YOLO-V3 model.[J].Yunong Tian;Guodong Yang;Zhe Wang;Hao Wang;En Li;Zize Liang.Computers and Electronics in Agriculture.2019,

[3]

CutMix: Regularization Strategy to Train Strong Classifiers with Localizable Features..[J].Sangdoo Yun;Dongyoon Han;Seong Joon Oh;Sanghyuk Chun;Junsuk Choe;Youngjoon Yoo.CoRR.2019,

[4] Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition [J].

He, Kaiming ;

Zhang, Xiangyu ;

Ren, Shaoqing ;

Sun, Jian .

IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, 2015, 37 (09) :1904-1916

[5] PANET: A GPU-Based Tool for Fast Parallel Analysis of Robustness Dynamics and Feed-Forward/Feedback Loop Structures in Large-Scale Biological Networks [J].

Hung-Cuong Trinh ;

Duc-Hau Le ;

Kwon, Yung-Keun .

PLOS ONE, 2014, 9 (07)

[6]

The <Emphasis Type="SmallCaps">Pascal</Emphasis> Visual Object Classes (VOC) Challenge.[J].Mark Everingham;Luc Gool;Christopher K. I. Williams;John Winn;Andrew Zisserman.International Journal of Computer Vision.2010, 2

[7] 基于改进YOLO v5的夜间温室番茄果实快速识别 [J].

何斌 ;

张亦博 ;

龚健林 ;

付国 ;

赵昱权 ;

吴若丁 .

农业机械学报 , 2022, (05) :201-208

[8] 基于YOLO v5-MDC的重度粘连小麦籽粒检测方法 [J].

宋怀波 ;

王云飞 ;

段援朝 ;

宋磊 ;

韩梦璇 .

农业机械学报, 2022, 53 (04) :245-253

[9] 基于双摆模型的油茶果冠层振动参数优化与试验 [J].

伍德林 ;

赵恩龙 ;

姜山 ;

丁达 ;

刘洋洋 ;

刘路 .

农业机械学报, 2021, 52 (12) :96-104

[10] 基于多源图像融合的自然环境下番茄果实识别 [J].

王文杰 ;

贡亮 ;

汪韬 ;

杨智宇 ;

张伟 ;

刘成良 .

农业机械学报, 2021, 52 (09) :156-164

← 1 2 3 →