基于改进YOLOv4-Tiny的蓝莓成熟度识别方法

为实现自然环境下蓝莓果实成熟度的精确快速识别,该研究对YOLOv4-Tiny网络结构进行改进,提出一种含有注意力模块的目标检测网络（I-YOLOv4-Tiny）。该检测网络采用CSPDarknet53-Tiny网络模型作为主干网络,将卷积注意力模块（Convolution Block Attention Module,CBAM）加入到YOLOv4-Tiny网络结构的特征金字塔（Feature Pyramid Network,FPN）中,通过对每个通道的特征进行权重分配来学习不同通道间特征的相关性,加强网络结构深层信息的传递,从而降低复杂背景对目标识别的干扰,且该检测网络的网络层数较少,占用内存低,以此提升蓝莓果实检测的精度与速度。对该研究识别方法进行性能评估与对比试验的结果表明,经过训练的I-YOLOv4-Tiny目标检测网络在验证集下的平均精度达到97.30%,能有效地利用自然环境中的彩色图像识别蓝莓果实并检测果实成熟度。对比YOLOv4-Tiny、YOLOv4、SSD-MobileNet、Faster R-CNN目标检测网络,该研究在遮挡与光照不均等复杂场景中,平均精度能达到96.24%。平均检测时间为5.723 ms,可以同时满足蓝莓果实识别精度与速度的需求。I-YOLOv4-Tiny网络结构占用内存仅为24.20 M,为采摘机器人与早期产量预估提供快速精准的目标识别指导。     

基于特征递归融合YOLOv4网络模型的春见柑橘检测与计数

春见柑橘个体小、单株果树柑橘密集、柑橘之间的形态与颜色相似度高且易被树叶严重遮挡,这些特点给春见柑橘检测与计数带来了较大困难。该研究以实际春见果园环境中的春见柑橘作为检测与计数对象,提出了一种以春见柑橘为检测目标的基于特征递归融合YOLOv4网络模型（YOLOv4 network model with recursive fusion of features,FR-YOLOv4）。针对春见柑橘尺寸小的特点,FR-YOLOv4网络模型的主干特征提取网络采用了感受野更小的CSPResNest50网络,降低了小尺寸目标的特征图传不到目标检测器中的可能性;针对春见柑橘被遮挡和密集分布的情况,采用了递归特征金字塔（Recursive Feature Pyramid,RFP）网络来进行特征递归融合,提高了对果园环境下春见柑橘的检测精度。试验结果表明：FR-YOLOv4网络模型对于果园环境中春见柑橘的平均检测精度为94.6%,视频检测帧率为51帧/s。FR-YOLOv4网络模型相比于YOLOv4、单次多框检测器（Single Shot Multi-Box Detector,SSD）、CenterNet和更快速卷积神经网络（Faster- Region-Convolutional Neural Networks,Faster R-CNN）的平均检测精度分别提高了8.9、29.3、14.1和16.2个百分点,视频检测帧率分别比SSD、Faster R-CNN提高了17帧/s和33帧/s。FR-YOLOv4网络模型对于实际果园环境中春见柑橘的检测精度高,具备检测实时性,适用于春见果园中春见柑橘检测与计数。     

快速精准识别棚内草莓的改进YOLOv4-Tiny模型

为了实现棚内草莓果实的快速精准识别,该研究提出一种基于改进YOLOv4-Tiny的草莓检测模型。首先,为了大幅度减少模型计算量,采用轻量型网络GhostNet作为特征提取网络,并在GhostBottleneck结构中嵌入卷积注意力模块以加强网络的特征提取能力;其次,在颈部网络中添加空间金字塔池化模块和特征金字塔网络结构,融合多尺度特征提升小目标草莓的检测效果;最后,采用高效交并比损失作为边界框回归损失函数,加速网络收敛并提高模型的检测准确率。结果表明,改进YOLOv4-Tiny模型权重大小仅为4.68 MB,平均每幅图片的检测时间为5.63 ms,在测试集上的平均精度均值达到92.62%,相较于原YOLOv4-Tiny模型提升了5.77个百分点。与主流的目标检测模型SSD、CenterNet、YOLOv3、YOLOv4和YOLOv5s相比,改进YOLOv4-Tiny模型平均精度均值分别高出9.11、4.80、2.26、1.22、1.91个百分点,并且模型权重大小和检测速度方面均具有绝对优势,该研究可为后续果实智能化采摘提供技术支撑。     

基于改进YOLOv3的果园复杂环境下苹果果实识别

为使采摘机器人能够全天候的在不同光照、重叠遮挡、大视场等果园复杂环境下对不同成熟度的果实进行快速、准确的识别，该研究提出了一种基于改进YOLOv3的果实识别方法。首先，将DarkNet53网络中的残差模块与CSPNet（Cross Stage Paritial Network）结合，在保持检测精度的同时降低网络的计算量；其次，在原始YOLOv3模型的检测网络中加入SPP（Spatial Pyramid Pooling）模块，将果实的全局和局部特征进行融合，提高对极小果实目标的召回率；同时，采用Soft NMS（Soft Non-Maximum Suppression）算法代替传统NMS（Non-Maximum Suppression）算法，增强对重叠遮挡果实的识别能力；最后，采用基于Focal Loss和CIoU Loss的联合损失函数，对模型进行优化，提高识别精度。以苹果为例进行的试验结果表明：经过数据集训练之后的改进模型，在测试集下的MAP（Mean Average Precision）值达到96.3%，较原模型提高了3.8个百分点；F1值达到91.8%，较原模型提高了3.8个百分点；在GPU下的平均检测速度达到27.8帧/s，较原模型提高了5.6帧/s。与Faster RCNN、RetinaNet等几种目前先进的检测方法进行比较并在不同数目、不同光照情况下的对比试验结果表明，该方法具有优异的检测精度及良好的鲁棒性和实时性，对解决复杂环境下果实的精准识别问题具有重要参考价值。     

基于改进YOLOv3-Tiny的番茄苗分级检测

为了提高番茄苗分选移栽分级检测精度,该研究提出了YOLOv3-Tiny目标检测改进模型。首先建立了番茄穴盘苗数据集,使用K-means++算法重新生成数据集锚定框,提高网络收敛速度和特征提取能力;其次为目标检测模型添加SPP空间金字塔池化,将穴孔局部和整体特征融合,提高了对弱苗的召回率;同时加入路径聚合网络（PANet）,提升细粒度检测能力;引入了SAM空间注意力机制,提高对番茄苗的关注,减少背景干扰;增加了ASFF（Adaptively Spatial Feature Fusion）自适应特征融合网络,能够使目标检测模型对多个级别的特征进行空间滤波;采用CIoU损失函数策略,提高模型收敛效果。改进的YOLOv3-Tiny目标检测模型经过数据集训练,在测试集上能够达到平均精度均值为97.64%,相比YOLOv3-Tiny模型提高了3.47个百分点。消融试验验证了网络结构改进和训练策略是有效的,并将改进的YOLOv3-Tiny目标检测算法与5种目标检测算法进行对比,发现改进的YOLOv3-Tiny目标检测模型在重合度阈值为50%的条件下平均精度均值为97.64%。单张图像处理时间为5.03 ms,较其他目标检测算法具有明显的优势,验证了该模型能够满足番茄苗分级检测精度要求,可以为幼苗分选检测方法提供参考。     

基于改进型YOLOv4-LITE轻量级神经网络的密集圣女果识别

对密集圣女果遮挡、粘连等情况下的果实进行快速识别定位，是提高设施农业环境下圣女果采摘机器人工作效率和产量预测的关键技术之一，该研究提出了一种基于改进YOLOv4-LITE轻量级神经网络的圣女果识别定位方法。为便于迁移到移动终端，该方法使用MobileNet-v3作为模型的特征提取网络构建YOLOv4-LITE网络，以提高圣女果果实目标检测速度；为避免替换骨干网络降低检测精度，通过修改特征金字塔网络（Feature Pyramid Networks，FPN）+路径聚合网络（Path Aggregation Network，PANet）的结构，引入有利于小目标检测的104×104尺度特征层，实现细粒度检测，在PANet结构中使用深度可分离卷积代替普通卷积降低模型运算量，使网络更加轻量化；并通过载入预训练权重和冻结部分层训练方式提高模型的泛化能力。通过与YOLOv4在相同遮挡或粘连程度的测试集上的识别效果进行对比，用调和均值、平均精度、准确率评价模型之间的差异。试验结果表明：在重叠度IOU为0.50时所提出的密集圣女果识别模型在全部测试集上调和均值、平均精度和准确率分别为0.99、99.74%和99.15%，同比YOLOv4分别提升了0.15、8.29个百分点、6.54个百分点，权重大小为45.3 MB，约为YOLOv4的1/5，对单幅416×416像素图像的检测，在图形处理器（Graphics Processing Unit，GPU）上速度可达3.01 ms/张。因此，该研究提出的密集圣女果识别模型具有识别速度快、识别准确率高、轻量化等特点，可为设施农业环境下圣女果采摘机器人高效工作以及圣女果产量预测提供有力的保障。     

基于多时相遥感植被指数的柑橘果园识别

柑橘普遍种植于中国南方地区，受天气多云多雨、种植类型复杂等因素影响，利用光谱信息直接识别柑橘果园信息存在一定困难。该研究根据柑橘特有的物候特征，提出了"柑橘在其果实生长膨大过程中柑橘果园的植被信息可能减弱"的假设。根据此特征提出柑橘果园信息识别方法，确定关键时间窗口的阈值，并以广西壮族自治区南宁市武鸣区为研究区，开展柑橘果园信息遥感识别实证研究。首先，获取2018年研究区多时相Sentinel-2遥感影像，构建归一化植被指数（Normalized Difference Vegetation Index，NDVI）、绿色归一化植被指数（Green Normalized Difference Vegetation Index，GNDVI）、差值植被指数（Difference Vegetation Index，DVI）和红边波段指数（Sentinel-derived Red-edge Spectral Indices，RESI）等多个植被光谱指数；其次，根据地面样本点信息，对比不同植被类型在不同时期的遥感植被信息差异，进而确定柑橘果园识别的最优特征。研究结果表明，柑橘果园与研究区其他主要作物类型（如甘蔗、香蕉、玉米、水稻等）没有明显的光谱特征差异，但研究区多时相遥感植被指数显示10月的柑橘果园NDVI相比11月出现明显低值0.47，且明显低于其他作物类型；10月的柑橘果园GNDVI也出现了低值0.43，但与其他月份相比差异不明显；而柑橘果园DVI的离散程度低，分离性不强。根据作物物候历，9-10月为柑橘果实迅速膨大期，这验证了该研究提出的科学假设，即该时期柑橘果园的植被信息会减弱。柑橘果实膨大期不同植被指数的离散程度差异明显，NDVI离散程度最高，差异性最强。根据10月柑橘果园NDVI的物候特征，进一步构建归一化指数，通过阈值法识别研究区柑橘果园空间分布，该识别方法的总体精度达到82.75%，优于其他植被指数的识别结果，该研究结果可为柑橘果园信息遥感识别研究提供较好的理论与实践支撑。     

采用改进RetinaNet的笼养肉鸽繁育期个体检测模型

实现繁育期精准个体检测是提高集约养殖环境下肉鸽繁育效率和精准管控效果的有效手段，其中小目标鸽蛋及粘连乳鸽的精准检测是关键。该研究提出了一种基于改进RetinaNet的目标检测模型，以RetinaNet网络为基础框架，将ResNet50特征提取网络与特征金字塔网络（Feature Pyramid Networks，FPN）结合，增加特征金字塔网络中特征检测尺度，提升对图像中遮挡鸽蛋与粘连乳鸽的检测精度；在分类和回归子网络前引入卷积注意力模块（Convolutional Block Attention Module，CBAM），提升对小目标检测的精度。试验结果表明，该研究提出的模型对于笼养肉鸽个体检测的平均精度均值（mean Average Precision，mAP）达到80.89%，相比SSD、YOLOv3、YOLOv4、YOLOv5s、YOLOv5m和原始RetinaNet模型提高了18.66、29.15、19.92、21.69、18.99与15.45个百分点；对成鸽、乳鸽与鸽蛋检测的平均精度（Average Precision，AP）分别为95.88%，79.51%和67.29%，相对原始RetinaNet模型提高了2.16、21.74和22.48个百分点，在保证成鸽精准检测的基础上，显著提升了对复杂环境下存在局部遮挡的小目标鸽蛋以及粘连乳鸽的检测精度，为实现集约化养殖环境下肉鸽繁育周期个体检测和精准管控提供有效支持。     

基于改进YOLOv5s的果园环境葡萄检测

为了快速精准地识别复杂果园环境下的葡萄目标，该研究基于YOLOv5s提出一种改进的葡萄检测模型（MRWYOLOv5s）。首先，为了减少模型参数量，采用轻量型网络MobileNetv3作为特征提取网络，并在MobileNetv3的bneck结构中嵌入坐标注意力模块（coordinate attention,CA）以加强网络的特征提取能力；其次，在颈部网络中引入RepVGG Block，融合多分支特征提升模型的检测精度，并利用RepVGG Block的结构重参数化进一步加快模型的推理速度；最后，采用基于动态非单调聚焦机制的损失（wise intersection over union loss,WIoU Loss）作为边界框回归损失函数，加速网络收敛并提高模型的检测准确率。结果表明，改进的MRW-YOLOv5s模型参数量仅为7.56 M，在测试集上的平均精度均值（mean average precision,mAP）达到97.74%，相较于原YOLOv5s模型提升了2.32个百分点，平均每幅图片的检测时间为10.03 ms，比原YOLOv5s模型减少了6.13 ms。与主流的目标检测模型S...     

采用改进YOLOv4-tiny的复杂环境下番茄实时识别

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（Head network）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（mean Average 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。     

改进RetinaNet的水稻冠层害虫为害状自动检测模型

中国现行的水稻冠层害虫为害状田间调查方法需要测报人员下田目测为害状发生情况,此种人工调查方法存在客观性差、效率低与劳动强度大等问题。近几年,诸多学者开始利用深度学习方法来识别植物病虫为害状,但大多针对单株或单个叶片上病虫害种类进行识别研究。该研究采集了水稻冠层多丛植株上稻纵卷叶螟和二化螟为害状图像,提出一种改进RetinaNet的水稻冠层害虫为害状自动检测模型。模型中采用ResNeXt101作为特征提取网络,组归一化(Group Normalization,GN)作为归一化方法,改进了特征金字塔网络(Feature Pyramid Network,FPN)结构。改进后的RetinaNet模型对2种害虫为害状区域检测的平均精度均值达到93.76%,为实现水稻害虫为害状智能监测提供了理论依据和技术支持。     

基于改进YOLOv7模型的复杂环境下鸭蛋识别定位

在干扰、遮挡等复杂环境下,对鸭蛋进行快速、准确识别定位是开发鸭蛋拾取机器人的关键技术,该研究提出一种基于改进YOLOv7（you only look once）模型的复杂环境鸭蛋检测方法,在主干网络加入卷积注意力模块（CBAM,convolutional block attention module）,加强网络信息传递,提高模型对特征的敏感程度,减少复杂环境对鸭蛋识别干扰;利用深度可分离卷积(DSC,depthwise separable convolution)、调整空间金字塔池化结构（SPP,spatial pyramid pooling）,降低模型参数数量和运算成本。试验结果表明,与SSD、YOLOv4、YOLOv5_M以及YOLOv7相比,改进YOLOv7模型的F1分数（F1 score）分别提高了8.3、10.1、8.7和7.6个百分点,F1分数达95.5%,占内存空间68.7 M,单张图片检测平均用时0.022 s。与不同模型在复杂环境的检测对比试验表明,改进的YOLOv7模型,在遮挡、簇拥、昏暗等复杂环境下,均能对鸭蛋进行准确快速的识别定位,具有较强鲁棒性和适用性。该研究可为后续开发鸭蛋拾取机器人提供技术支撑。     

基于半监督SPM-YOLOv5的套袋柑橘检测算法

为解决柑橘经过套袋后其形状从圆形变为条状且纹理细节急剧减低,导致当前目标检测算法对套袋柑橘检测难度增大,同时目标检测算法性能依赖于有标记样本数量的问题。该研究设计了一种基于教师学生模型的SPM（Strip Pooling Module）-YOLOv5算法,在YOLOv5的骨干网络中加入条带注意力模块使模型更加关注条状的套袋柑橘与树枝,同时教师学生模型为半监督方法,使目标检测算法可利用无标记样本提升模型的性能,降低对有标记样本的依赖。试验结果表明,该文算法在套袋柑橘与树枝检测的平均精度均值分别为77.4%与53.5%,相比YOLOv5分别提升了7.5个百分点与7.6个百分点,套袋柑橘检测的精度与召回率达到94%与76.2%。因此,基于教师学生模型的SPM-YOLOv5算法精度高、速度快,能有效用于套袋柑橘检测。     

基于改进YOLOv7的破壳鸡蛋在线实时检测系统

针对破壳鸡蛋（破口蛋和裂纹蛋）缺陷差异性大，在线检测要求实时，以及人工检测依靠主观经验且检测速度慢、检测精度不高等问题，该研究提出一种基于改进的YOLOv7（You Only Look Once v7）模型的破壳鸡蛋在线实时检测系统。即以YOLOv7网络为基础，将YOLOv7网络的损失函数CIoU（complete-IoU）替换为WIoUv2（wise-IoU），在骨干网络（backbone）中嵌入坐标注意力模块（coordinate attention，CA）和添加可变形卷积DCNv2（deformable convnet）模块，同时将YOLOv7网络中的检测头（IDetect）替换为具有隐式知识学习的解耦检测头(IDetect_Decoupled)模块。在PC端的试验结果表明，改进后的模型在测试集上平均精度均值（mean average precision，mAP）为94.0%，单张图片检测时间为13.1 ms，与模型改进之前相比，其mAP提高了2.9个百分点，检测时间仅延长1.0 ms；改进后模型的参数量为3.64×10⁷，较原始模型降低了2.1%。最后通过格式转换并利用ONNXRuntime深度学习框架把模型部署至设备端，在ONNXRuntime推理框架下进行在线检测验证。试验结果表明：该算法相较原始YOLOv7误检率降低了3.8个百分点，漏检率不变，并且在线检测平均帧率约为54帧/s，满足在线实时性检测需求。该研究可为破壳鸡蛋在线检测研究提供技术参考。