基于改进YOLOv7模型的柑橘表面缺陷在线检测

柑橘表面缺陷是水果检测分级的重要依据,针对传统柑橘表面缺陷检测方法效率低、精度低等问题,该研究提出一种柑橘表面缺陷的实时检测方法。该方法首先对柑橘图像进行图像增强,然后利用提出的YOLOv7-CACT模型对柑橘表面缺陷进行检测,该模型在YOLOv7模型骨干网络中引入坐标注意力模块(coordinate attention, CA),从而提高模型对缺陷部分的关注度。在网络头部引入CT(contextual transformer,CT)模块,融合静态和动态上下文表征特征,从而增强缺陷部分特征表达能力。通过试验确定CA模块和CT模块的最佳位置。改进后的YOLOv7-CACT模型检测结果平均精度均值（mean average precision,mAP）相较于原始模型增加了4.1个百分点,达到91.1%,满足了实际生产中对柑橘缺陷检测精度的要求。最后将基于YOLOv7-CACT的柑橘检测模型通过TensorRT进行部署,试验结果表明模型的推理时间满足柑橘生产线10个/s的实时分选要求,总体的检测精度达到94.4%,为柑橘表面缺陷在线检测提供了一种精准的实时检测方法。     

基于YOLOv4模型剪枝的番茄缺陷在线检测

为解决番茄缺陷检测过程中的精确性和实时性问题,该研究提出一种基于模型剪枝的番茄表面缺陷实时检测方法。采用模型剪枝的方法在YOLOv4网络模型基础上进行模型优化,首先将3个连续检测工位采集的RGB图像拼接生成YOLOv4网络的输入图像,然后采用通道剪枝和层剪枝的方法压缩YOLOv4网络模型,从而减少模型参数,提高检测速度,最后提出一种基于L1范数的非极大值抑制方法,用于在模型微调后去除冗余预测框,从而精准定位图像中的缺陷位置,并将模型部署到分级系统上进行实时检测试验。结果表明,该研究提出的YOLOv4P网络与原YOLOv4网络相比,网络模型尺寸和推理时间分别减少了232.40 MB和10.11 ms,平均精度均值（Mean Average Precision,mAP）从92.45%提高到94.56%,能满足实际生产中针对缺陷番茄进行精准、实时检测的要求,为番茄分级系统提供了高效的实时检测方法。     

以桑枝为主料、黄豆粕为氮源的杏鲍菇栽培配方研究

以废弃的桑枝为主料、豆粕为氮源进行配方试验,比较不同配方栽培袋的杏鲍菇菌丝生长速度及子实体产量的差异.结果表明,以桑枝为主料的7个配方中,杏鲍菇菌丝生长和产量虽有一定差异,但都能正常生长.配方7以麦麸为氮源,菌丝生长速度最慢,但菌丝浓密粗壮,产量最高;以豆粕为氮源的处理菌丝生长速度较快,但产量均较以麦麸为氮源的低,说明麦麸是栽培杏鲍菇较好的氮源.豆粕比例在9％时,菌丝产量达到最高,说明豆粕含氮量较高,实际栽培中可使用较低比例.     

基于3D视觉的番茄授粉花朵定位方法

为了给设施番茄授粉机器人授粉提供可靠的定位技术,提出了一种基于3D视觉的番茄花朵定位方法。采用RGB-D结构光相机快速获取温室内番茄植株的彩色图和深度图信息,通过YOLO v4 (You only look once)神经网络对植株上番茄花束进行目标检测,并提取出授粉花束在图像中的二维区域;使用主动对齐方式结合PCL进行彩色图像和深度图像的粗对齐,利用区域内色系单视角线性遍历方法对提取的花束区域进行精配准,获得番茄花束的空间高精度点云信息;再使用统计滤波法剔除点云信息离群点后,结合双向均值法计算花束3D box的授粉质心坐标。定位试验结果表明,该方法在温室环境中能成功对花束进行识别定位,神经网络平均检测精度达97.67%,完成单幅图像花束提取时间为14.95ms,算法获取授粉质心坐标的平均时间约为300ms。后期在温室内验证,在花束被遮挡小于80%时,算法能够对番茄花朵进行精准定位,并成功执行授粉动作,为番茄授粉机器人提供了一种新的授粉点定位方法。