-
题名基于改进YOLO-v4的果园环境下葡萄检测
- 1
-
-
作者
肖张娜
罗陆锋
陈明猷
王金海
卢清华
骆少明
-
机构
佛山科学技术学院机电工程与自动化学院
-
出处
《智能化农业装备学报（中英文）》
2023年第2期35-43,共9页
-
基金
国家自然科学基金项目(32171909,51705365)
广东省基础与应用基础研究基金项目(2020B1515120050)
+1 种基金
广东省自然科学基金项目(2023A1515011255)
季华实验室开放课题(X220931UZ230)。
-
文摘
针对果园环境下葡萄生长场景复杂多变,葡萄机器人难以根据视觉检测结果制定无碰撞采摘策略的问题,提出了一种基于改进YOLO-v4的不同遮挡状态葡萄检测方法。首先,根据果园环境下葡萄的生长场景状态,将葡萄分别标记为4种类型:无遮挡葡萄,叶片遮挡葡萄,枝干遮挡葡萄,重叠遮挡葡萄;然后采用YOLO-v4框架作为检测模型,将注意力机制模型(CBAM)分别嵌入YOLO-v4框架中的主干网络(CSPDarknet53,YOLO-C-C)和路径聚合网络(PANet,YOLO-C-P),通过对CSPDarknet53和PANet网络特征提取过程进行目标注意,增强网络对葡萄特征的提取能力,降低复杂场景的干扰,以期达到果园环境下不同遮挡葡萄的高精确度检测;最后通过比较YOLO-C-C和YOLO-C-P网络的识别精确度与F1得分,得到最适合果园遮挡场景下的葡萄检测模型YOLO-C-P。对该方法的性能评估及与其他算法对比试验结果表明,YOLO-C-P模型对无遮挡、叶片遮挡、枝干遮挡、重叠遮挡的葡萄检测精确度分别为91.26%、92.47%、92.41%、90.65%,平均F1得分为91.71%;与同系列模型YOLO-v4、YOLO-X-X、YOLO-v5-X相比,F1得分分别提升了12.62、8.65、5.31个百分点。平均识别一幅图像的时间为0.13s。该研究能够快速、有效识别无遮挡、叶片遮挡、枝干遮挡、重叠遮挡情况下的葡萄,可帮助机器人制定果园环境下的采摘策略(采摘顺序和路径规划),以避免因遮挡导致的碰撞造成采摘失败,为葡萄机器人提供了一种果园采摘辅助决策方法。
-
关键词
葡萄
机器人
YOLO-v4
注意力机制
目标检测
-
Keywords
grape
robot
YOLO-v4
attention mechanism
object detection
-
分类号
S24
[农业科学—农业电气化与自动化]
TP391.4
[自动化与计算机技术—计算机应用技术]
-
