基于改进YOLO v3网络的夜间环境柑橘识别方法

为研究夜间环境下采摘机器人的视觉检测技术，实现采摘机器人的夜间作业，提出了一种多尺度卷积神经网络Des-YOLO v3算法，可实现夜间复杂环境下成熟柑橘的识别与检测。借鉴残差网络和密集连接网络，设计了Des-YOLO v3网络结构，实现了网络多层特征的复用和融合，加强了小目标和重叠遮挡果实识别的鲁棒性，显著提高了果实检测精度。柑橘识别试验结果表明， Des-YOLO v3网络的精确率达97.67%、召回率为97.46%、F1值为0.976，分别比YOLO v3网络高6.26个百分点、6.36个百分点和0.063。同时，经过训练的模型在测试集下的平均精度(mAP)为90.75%、检测速度达53f/s，高于YOLO v3_DarkNet53网络的平均精度88.48%，mAP比YOLO v3_DarkNet53网络提高了2.27个百分点，检测速度比YOLO v3_DarkNet53网络提高了11f/s。研究结果表明，本文提出的Des-YOLO v3网络对野外夜间复杂环境下成熟柑橘的识别具有更强的鲁棒性和更高的检测精度，为柑橘采摘机器人的视觉识别提供了技术支持。     

基于YOLO v7-ECA模型的苹果幼果检测

为实现自然环境下苹果幼果的快速准确检测,针对幼果期苹果果色与叶片颜色高度相似、体积微小、分布密集,识别难度大的问题,提出了一种融合高效通道注意力(Efficient channel attention, ECA)机制的改进YOLO v7模型(YOLO v7-ECA)。在模型的3条重参数化路径中插入ECA机制,可在不降低通道维数的前提下实现相邻通道局部跨通道交互,有效强调苹果幼果重要信息、抑制冗余无用特征,提高模型效率。采集自然环境下苹果幼果图像2 557幅作为训练样本、547幅作为验证样本、550幅作为测试样本,输入模型进行训练测试。结果表明,YOLO v7-ECA网络模型准确率为97.2%、召回率为93.6%、平均精度均值(Mean average precision, mAP)为98.2%、F1值为95.37%。与Faster R-CNN、SSD、Scaled-YOLO v4、YOLO v5、YOLO v6、YOLO v7网络模型相比,其mAP分别提高15.5、4.6、1.6、1.8、3.0、1.8个百分点,准确率分别提高49.7、0.9、18.5、1.2、0.9、1.0个百分点,...     

基于红外热成像和改进YOLO v5的作物病害早期识别

为实现作物病害早期识别,本文提出一种基于红外热成像和改进YOLO v5的作物病害早期检测模型,以CSPD-arknet为主干特征提取网络,YOLO v5 stride-2卷积替换为SPD-Conv模块,分别为主干网络中的5个stride-2卷积层和Neck中的2个stride-2卷积层,可以提高其准确性,同时保持相同级别的参数大小,并向下阶段输出3个不同尺度的特征层;为增强建模通道之间的相互依赖性,自适应地重新校准通道特征响应,引入SE机制提升特征提取能力;为减少模型计算量,提高模型速度,引入SPPF。经测试,改进后YOLO v5网络检测性能最佳,mAP为95.7%,相比YOLO v3、YOLO v4、SSD和YOLO v5网络分别提高4.7、8.8、19.0、3.5个百分点。改进后模型相比改进前对不同温度梯度下的作物病害检测也有提高,5个梯度mAP分别为91.0%、91.6%、90.4%、92.6%和94.0%,分别高于改进前3.6、1.5、7.2、0.6、0.9个百分点。改进YOLO v5网络内存占用量为13.755MB,低于改进前基础模型3.687MB。结果表明,改进YOLO v5可以准确快速地实现病害早期检测。     

基于改进YOLO v7-tiny的甜椒畸形果识别算法

甜椒在生长发育过程中容易产生畸形果,机器代替人工对甜椒畸形果识别和摘除一方面可提高甜椒品质和产量,另一方面可解决当前人工成本过高、效率低下等问题。为实现机器人对甜椒果实的识别,提出了一种基于改进YOLO v7-tiny目标检测模型,用于区分正常生长和畸形生长的甜椒果实。将无参数注意力机制（Parameter free attention module, SimAM）融合到骨干特征提取网络中,增强模型的特征提取和特征整合能力;用Focal-EIOU（Focal and efficient intersection over union）损失替换原损失函数CIOU（Complete intersection over union）,加快模型收敛并降低损失值;使用SiLU激活函数代替原网络中的Leaky ReLU,增强模型的非线性特征提取能力。试验结果表明,改进后的模型整体识别精确度、召回率、平均精度均值（Mean average precision, mAP）mAP0.5、mAP0.5-0.95分别为99.1%、97.8%、98.9%、94.5%,与改进前相比,分别提升5.4、4.7、2.4、10.7个百分点,模型内存占用量为 10.6MB,单幅图像检测时间为4.2ms。与YOLO v7、Scaled-YOLO v4、YOLOR-CSP等目标检测模型相比,模型在F1值上与YOLO v7相同,相比Scaled-YOLO v4、YOLOR-CSP分别提升0.7、0.2个百分点,在mAP0.5-0.95上分别提升0.6、1.2、0.2个百分点,而内存占用量仅为上述模型的14.2%、10.0%、10.0%。本文所提出的模型实现了小体量而高精度,便于在移动端进行部署,为后续机械化采摘和品质分级提供技术支持。     

基于改进YOLO v7的轻量化樱桃番茄成熟度检测方法

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...     

基于YOLO v5s的自然场景油茶果识别方法

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。     

基于改进COF-YOLO v8n的油茶果静态与动态检测计数方法

针对自然环境下油茶果存在严重遮挡、近景色、小目标等现象,使用YOLO网络存在检测精度低、漏检现象严重等问题,提出对YOLO v8n网络进行改进。首先使用MPDIOU作为YOLO v8n的损失函数,有效解决因为果实重叠导致的漏检问题;其次调整网络,向其中加入小目标检测层,使网络能够关注小目标油茶以及被树叶遮挡的油茶;最后使用SCConv作为特征提取网络,既能兼顾检测精度又能兼顾检测速度。改进COF-YOLO v8n网络精确率、召回率、平均精度均值分别达到97.7%、97%、99%,比未改进的YOLO v8n分别提高3.2、4.8、2.4个百分点,其中严重遮挡情况下油茶检测精确率、召回率、平均精度均值分别达到 95.9%、95%、98.5%,分别比YOLO v8n提高4.0、9.1、4.6个百分点。因此改进后COF-YOLO v8n网络能够明显提高油茶在严重遮挡、近景色、小目标均存在情况下的识别精度,减小油茶的漏检。此外,模型能够实现动、静态输入条件下油茶果计数。动态计数借鉴DeepSORT算法的多目标跟踪思想,将改进后COF-YOLO v8n的识别输出作为DeepSORT的输入,实现油茶果实的追踪计数。所得改进模型具有很好的鲁棒性,且模型简单可以嵌入到边缘设备中,不仅可用于指导自动化采收,还可用于果园产量估计,为果园物流分配提供可靠借鉴。     

基于改进YOLO v5s的马铃薯种薯芽眼检测方法

芽眼检测是马铃薯种薯智能切块首先要解决的问题,为实现种薯芽眼精准高效检测,提出了一种基于改进YOLO v5s的马铃薯种薯芽眼检测方法。首先通过加入CBAM注意力机制,加强对马铃薯种薯芽眼图像的特征学习和特征提取,同时弱化与芽眼相似的马铃薯种薯表面背景对检测结果的影响。其次引入加权双向特征金字塔BiFPN增加经骨干网络提取的种薯芽眼原始信息,为不同尺度特征图赋予不同权重,使得多尺度特征融合更加合理。最后替换为改进的高效解耦头Decoupled Head区分回归和分类,加快模型收敛速度,进一步提升马铃薯种薯芽眼检测性能。试验结果表明,改进YOLO v5s模型准确率、召回率和平均精度均值分别为93.3%、93.4%和95.2%;相比原始YOLO v5s模型,平均精度均值提高3.2个百分点,准确率、召回率分别提高0.9、1.7个百分点;不同模型对比分析表明,改进YOLO v5s模型与Faster R-CNN、YOLO v3、YOLO v6、YOLOX和YOLO v7等模型相比有着较大优势,平均精度均值分别提高8.4、3.1、9.0、12.9、4.4个百分点。在种薯自动切块芽眼检测试验中,改进Y...     

基于YOLO v8n-seg-FCA-BiFPN的奶牛身体分割方法

奶牛身体部位的精准分割广泛应用于奶牛体况评分、姿态检测、行为分析及体尺测量等领域。受奶牛表面污渍和遮挡等因素的影响,现有奶牛部位精准分割方法实用性较差。本研究在YOLO v8n-seg模型的基础上,加入多尺度融合模块与双向跨尺度加权特征金字塔结构,提出了YOLO v8n-seg-FCA-BiFPN奶牛身体部位分割模型。其中,多尺度融合模块使模型更好地提取小目标几何特征信息,双向跨尺度加权特征金字塔结构实现了更高层次的特征融合。首先在奶牛运动通道处采集奶牛侧面图像作为数据集,为保证数据集质量,采用结构相似性算法剔除相似图像,共得到1452幅图像。然后对目标奶牛的前肢、后肢、乳房、尾部、腹部、头部、颈部和躯干8个部位进行标注并输入模型训练。测试结果表明,模型精确率为96.6%,召回率为94.6%,平均精度均值为97.1%,参数量为3.3×106,检测速度为6.2f/s。各部位精确率在90.3%~98.2%之间,平均精度均值为96.3%。与原始YOLO v8n-seg相比,YOLO v8n-seg-FCA-BiFPN的精确率提高3.2个百分点,召回率提高2.6个百分点,平均精度均值提高3.1个百分点,改进后的模型在参数量基本保持不变的情况下具有更强的鲁棒性。遮挡情况下该模型检测结果表明,精确率为93.8%,召回率为91.67%,平均精度均值为93.15%。结果表明,YOLO v8n-seg-FCA-BiFPN网络可以准确、快速地实现奶牛身体部位精准分割。     

基于改进YOLO v8-Pose的红熟期草莓识别和果柄检测

针对高架栽培模式下的大棚草莓,借鉴人体姿态检测算法,建立了改进YOLO v8-Pose模型对红熟期草莓进行识别与果柄关键点检测。通过对比YOLO v5-Pose、YOLO v7-Pose、YOLO v8-Pose模型,确定使用YOLO v8-Pose模型作为对红熟期草莓识别与关键点预测的模型。以YOLO v8-Pose为基础,对其网络结构添加Slim-neck模块与CBAM注意力机制模块,提高模型对小目标物体的特征提取能力,以适应草莓数据集的特点。改进YOLO v8-Pose能够有效检测红熟期草莓并准确标记出果柄关键点,P、R、mAP-kp分别为98.14%、94.54%、97.91%,比YOLO v8-Pose分别提高5.41、5.31、8.29个百分点。模型内存占用量为22 MB,比YOLO v8-Pose的占用量小6 MB。此外,针对果园非结构化的特征,探究了光线、遮挡与拍摄角度对模型预测的影响。对比改进前后的模型在复杂环境下对红熟期草莓的识别与果柄预测情况,改进YOLO v8-Pose在受遮挡、光线和角度影响情况下的mAP-kp分别为94.52%、95.48%、94.63%,较...     

基于残差块与注意力机制的果蔬自动识别方法

针对果蔬识别中识别效率低、成本高等问题,本文提出了基于残差块和注意力机制的果蔬识别模型,并成功部署于果蔬智能识别设备。果蔬自动识别装置由Raspberry Pi、STM32F103ZET6、摄像头、称量传感器、处理器、显示屏、微型打印机、扎口机以及电源等部分组成。中央控制器与显示屏进行交互实时显示各种参数,通过摄像头与称量传感器采集待测物体图像与待测物体质量,由部署于Raspberry Pi的果蔬自动识别模型对果蔬进行精准识别,同时协同单片机STM32F103ZET6将果蔬相关信息打印并控制扎口机进行封口打包。本文以YOLO v5网络为基础,通过增加残差块与注意力机制构建果蔬自动识别模型RB+CBAM-YOLO v5。以自制的数据集训练网络,将6种网络进行对比试验,并选择最优网络进行设备端检测试验。试验结果表明,RB+CBAM-YOLO v5的精确率、召回率与mAP0.5分别为83.55%、96.08%、96.20%,较YOLO v5提升4.47、1.10、0.90个百分点。将RB+CBAM-YOLO v5模型部署于嵌入式设备Raspberry Pi中,设备可实现精准识别、自动称量、打印凭条以及快速打包等功能,可满足果蔬识别以及无人售卖装置的需求。     

基于YOLO算法的不同品种枣自然环境下成熟度识别

实现果园机械化智能采摘是解决农村劳动力不足、降低果实采摘成本的重要途径,对果园中果实的准确识别是其关键技术。以枣为研究对象,建立最适合多品种、实用性强的枣果实成熟度识别模型,将YOLO算法引入到枣果实在自然环境下的成熟度识别中,将枣果实分为成熟果实、未熟果实和完熟果实、半红果实、未熟果实两种标注方式,建立YOLO V3、YOLO V4、YOLO V4-Tiny和Mobilenet-YOLO V4-Lite四种识别模型。研究表明YOLO算法中YOLO V3与YOLO V4-Tiny两个模型均可适用于两种标注方式,验证集mAP约为94%,证明YOLO算法能够对枣果实进行有效的成熟度识别。     

基于ECA-YOLO v5s网络的重度遮挡肉牛目标识别方法

肉牛目标检测和数量统计是精细化、自动化、智能化肉牛养殖要解决的关键问题,受肉牛个体颜色及纹理相近和遮挡等因素的影响,现有肉牛目标检测方法实用性较差。本研究基于YOLO v5s网络与通道信息注意力模块(ECABasicBlock),提出了一种融合通道信息的改进YOLO v5s网络(ECA-YOLO v5s),在YOLO v5s模型的骨干特征提取网络部分添加了3层通道信息注意力模块。ECA-YOLO v5s网络实现了重度遮挡环境下多目标肉牛的准确识别。对养殖场监控视频分帧得到的肉牛图像采用了一种基于结构相似性的冗余图像剔除方法以保证数据集质量。数据集制作完成后经过300次迭代训练,得到模型的精确率为89.8%,召回率为76.9%,全类平均精度均值为85.3%,检测速度为76.9 f/s,模型内存占用量为24 MB。与YOLO v5s模型相比,ECA-YOLO v5s的精确率、召回率和平均精度均值分别比YOLO v5s高1.0、0.8、2.2个百分点。为了验证不同注意力机制应用于YOLO v5s的性能差异,本研究对比了CBAM(Convolutional block attention mo...     

基于改进YOLO v4的自然环境苹果轻量级检测方法

针对苹果采摘机器人识别算法包含复杂的网络结构和庞大的参数体量,严重限制检测模型的响应速度问题,本文基于嵌入式平台,以YOLO v4作为基础框架提出一种轻量化苹果实时检测方法(YOLO v4-CA)。该方法使用MobileNet v3作为特征提取网络,并在特征融合网络中引入深度可分离卷积,降低网络计算复杂度;同时,为弥补模型简化带来的精度损失,在网络关键位置引入坐标注意力机制,强化目标关注以提高密集目标检测以及抗背景干扰能力。在此基础上,针对苹果数据集样本量小的问题,提出一种跨域迁移与域内迁移相结合的学习策略,提高模型泛化能力。试验结果表明,改进后模型的平均检测精度为92.23%,在嵌入式平台上的检测速度为15.11f/s,约为改进前模型的3倍。相较于SSD300与Faster R-CNN,平均检测精度分别提高0.91、2.02个百分点,在嵌入式平台上的检测速度分别约为SSD300和Faster R-CNN的1.75倍和12倍;相较于两种轻量级目标检测算法DY3TNet与YOLO v5s,平均检测精度分别提高7.33、7.73个百分点。因此,改进后的模型能够高效实时地对复杂果园环境中的苹果进行检测,适宜在嵌入式系统上部署,可以为苹果采摘机器人的识别系统提供解决思路。     

基于SEEC-YOLO v5s的散养蛋鸡日常行为识别与统计系统

针对鸡只个体较小、个体间存在遮挡，对蛋鸡日常行为识别造成干扰的问题，提出了一种基于SEEC-YOLO v5s的蛋鸡日常行为识别方法。通过在YOLO v5s模型输出部分添加SEAM注意力模块、在特征融合部分引入显式视觉中心模块(EVCBlock),扩大了模型的感受野，提高了模型对小个体遮挡情况下的目标识别能力，提升了模型对蛋鸡站立、采食、饮水、探索、啄羽和梳羽6种行为的识别精度。提出了一种基于视频帧数与视频帧率比值计算蛋鸡日常行为持续时间的统计方法，并对蛋鸡群体一天之中不同时间段及全天各行为变化规律进行了分析。将改进后的模型进行封装、打包，设计了蛋鸡日常行为智能识别与统计系统。试验结果表明，SEEC-YOLO v5s模型对6种行为识别的平均精度均值为84.65%,比YOLO v5s模型高2.34个百分点，对比Faster R-CNN、YOLO X-s、YOLO v4-tiny和YOLO v7-tiny模型，平均精度均值分别提高4.30、3.06、7.11、2.99个百分点。本文方法对蛋鸡的日常行为监测及健康状况分析提供了有效的支持，为智慧养殖提供了借鉴。     

嵌入式设备的轻量化百香果检测模型

为在有限的嵌入式设备资源下达到实时检测要求,提出一种基于改进YOLO v5的百香果轻量化检测模型（MbECA-v5）。首先,使用MobileNetV3替换主干特征提取网络,利用深度可分离卷积代替传统卷积减少模型的参数量。其次,嵌入有效通道注意力网络（ECANet）关注百香果整体,引入逐点卷积连接特征提取网络和特征融合网络,提高网络对百香果图像的特征提取能力和拟合能力。最后,运用跨域与域内多轮训练相结合的迁移学习策略提高网络检测精度。试验结果表明,改进后模型的精确率和召回率为95.3%和88.1%;平均精度均值为88.3%,较改进前提高0.2个百分点。模型计算量为6.6 GFLOPs,体积仅为6.41MB,约为改进前模型的1/2,在嵌入式设备实时检测速度为10.92f/s,约为SSD、Faster RCNN、YOLO v5s模型的14倍、39倍、1.7倍。因此,基于改进YOLO v5的轻量化模型提高了检测精度和大幅降低了计算量和模型体积,在嵌入式设备上能够高效实时地对复杂果园环境中的百香果进行检测。     

基于改进YOLOv5m的采摘机器人苹果采摘方式实时识别

为准确识别果树上的不同苹果目标,并区分不同枝干遮挡情形下的果实,从而为机械手主动调整位姿以避开枝干对苹果的遮挡进行果实采摘提供视觉引导,提出了一种基于改进YOLOv5m面向采摘机器人的苹果采摘方式实时识别方法。首先,改进设计了BottleneckCSP-B特征提取模块并替换原YOLOv5m骨干网络中的BottleneckCSP模块,实现了原模块对图像深层特征提取能力的增强与骨干网络的轻量化改进;然后,将SE模块嵌入到所改进设计的骨干网络中,以更好地提取不同苹果目标的特征;进而改进了原YOLOv5m架构中输入中等尺寸目标检测层的特征图的跨接融合方式,提升了果实的识别精度;最后,改进了网络的初始锚框尺寸,避免了对图像里较远种植行苹果的识别。结果表明,所提出的改进模型可实现对图像中可直接采摘、迂回采摘（苹果上、下、左、右侧采摘）和不可采摘果实的识别,识别召回率、准确率、mAP和F1值分别为85.9%、81.0%、80.7%和83.4%。单幅图像的平均识别时间为0.025s。对比了所提出的改进算法与原YOLOv5m、YOLOv3和EfficientDet-D0算法在测试集上对6类苹果采摘方式的识别效果,结果表明,所提出的算法比其他3种算法识别的mAP分别高出了5.4、22、20.6个百分点。改进模型的体积为原始YOLOv5m模型体积的89.59%。该方法可为机器人的采摘手主动避开枝干对果实的遮挡,以不同位姿采摘苹果提供技术支撑,可降低苹果的采摘损失。