文献类型：期刊文章

作　　者：苗荣慧[1,2] 李志伟[1] 武锦龙[1,2]

MIAO Ronghui;LI Zhiwei;WU Jinlong(College of Information Science and Engineering,Shanxi Agricultural University,Taigu 030801,China;College of Agricultural Engineering,Shanxi Agricultural University,Taigu 030801,China)

机构地区：[1]山西农业大学信息科学与工程学院,太谷030801 [2]山西农业大学农业工程学院,太谷030801

出　　处：《农业机械学报》

基　　金：山西省基础研究计划项目(202203021212414、202203021212428);山西农业大学青年科技创新基金项目(J142102257)。

年　　份：2023

卷　　号：54

期　　号：10

起止页码：225-233

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2023_2024、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为在自然环境下自动准确地检测樱桃番茄果实的成熟度,实现樱桃番茄果实自动化采摘,根据成熟期樱桃番茄果实表型特征的变化以及国家标准GH/T 1193—2021制定了5级樱桃番茄果实成熟度级别(绿熟期、转色期、初熟期、中熟期和完熟期),并针对樱桃番茄相邻成熟度特征差异不明显以及果实之间相互遮挡问题,提出一种改进的轻量化YOLO v7模型的樱桃番茄果实成熟度检测方法。该方法将MobileNetV3引入YOLO v7模型中作为骨干特征提取网络,以减少网络的参数量,同时在特征融合网络中加入全局注意力机制(Global attention mechanism,GAM)模块以提高网络的特征表达能力。试验结果表明,改进的YOLO v7模型在测试集下的精确率、召回率和平均精度均值分别为98.6%、98.1%和98.2%,单幅图像平均检测时间为82 ms,模型内存占用量为66.5 MB。对比Faster R-CNN、YOLO v3、YOLO v5s和YOLO v7模型,平均精度均值分别提升18.7、0.2、0.3、0.1个百分点,模型内存占用量也最少。研究表明改进的YOLO v7模型能够为樱桃番茄果实的自动化采摘提供技术支撑。

关 键 词：樱桃番茄 成熟度检测  YOLO v7  轻量化 MobileNetV3  全局注意力机制  

分 类 号：S252]