文献类型：期刊文章

作　　者：杨坚[1] 钱振[1] 张燕军[1] 秦宇[1] 缪宏[1]

Yang Jian;Qian Zhen;Zhang Yanjun;Qin Yu;Miao Hong(College of Mechanical Engineering,Yangzhou University,Yangzhou 225127,China)

机构地区：[1]扬州大学机械工程学院,扬州225127

出　　处：《农业工程学报》

基　　金：江苏省农业自主创新基金项目(CX(20)1005、CX(20)2016);江苏省现代农业发展项目(2020-SJ-003-YD02)。

年　　份：2022

卷　　号：38

期　　号：9

起止页码：215-221

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：实时识别番茄的成熟度是番茄自主采摘车的关键功能。现有目标识别算法速度慢、对遮挡番茄和小番茄识别准确率低。因此,该研究提出一种基于改进YOLOv4-tiny模型的番茄成熟度识别方法。在头部网络(Headnetwork)部分增加一个76×76的检测头(y3)来提高小番茄的识别准确率。为了提高被遮挡番茄的识别准确率,将卷积注意力模块(Convolution Block Attention Module,CBAM)集成到YOLOv4-tiny模型的骨干网络(Backbone network)部分。在深层卷积中使用Mish激活函数替代ReLU激活函数以保证提取特征的准确性。使用密集连接的卷积网络(Densely Connected Convolution Networks, DCCN)来加强全局特征融合,并建立红风铃番茄成熟度识别的数据集。试验结果表明,与YOLOv3、YOLOv4、YOLOv4-tiny、YOLOv5m和YOLOv5l模型相比,改进YOLOv4-tiny-X模型的平均精度均值(meanAverage Precision, mAP)分别提高了30.9、0.2、0.7、5.4和4.9个百分点,在Nvidia GTX 2060 GPU上达到111帧/s的速度,平均精度均值达到97.9%。不同模型的实时测试可视化结果表明,改进模型能够有效解决遮挡和小番茄识别准确率低的问题,可为番茄采摘车研制提供参考。

关 键 词：机器视觉 深度学习  注意力机制  番茄 YOLO  密集连接结构  

分 类 号：TP391] S126[计算机类]