基于改进YOLO v5的复杂环境下桑树枝干识别定位方法

为实现复杂自然环境下对桑树嫩叶处枝干的识别检测,改变当前桑叶采摘设备作业过程中依赖人工辅助定位的现状,解决识别目标姿态多样和环境复杂导致的低识别率问题,提出一种基于改进YOLO v5模型的桑树枝干识别模型(YOLO v5-mulberry),并结合深度相机构建定位系统。首先,在YOLO v5的骨干网络中加入CBAM(Convolutional block attention module)注意力机制,提高神经网络对桑树枝干的关注度;并增加小目标层使模型可检测4像素×4像素的目标,提高了模型检测小目标的性能;同时使用GIoU损失函数替换原始网络中的IoU损失函数,有效防止了预测框和真实框尺寸较小时无法正确反映预测框及真实框之间位置关系的情况;随后,完成深度图和彩色图的像素对齐,通过坐标系转换获取桑树枝干三维坐标。试验结果表明：YOLO v5-mulberry检测模型的平均精度均值为94.2%,较原模型提高16.9个百分点,置信度也提高12.1%;模型室外检测时应检测目标数53,实际检测目标数为48,检测率为90.57%;桑树嫩叶处枝干三维坐标识别定位系统的定位误差为(9.498 5 mm...     

基于深度学习的复杂自然环境下桑树枝干识别方法

在复杂自然环境下完成桑树枝干识别是实现桑叶采摘机智能化的关键部分，针对实际应用中光照条件变化多、桑叶遮挡和桑树分枝多等问题，提出一种基于深度学习的复杂自然环境下桑树枝干识别方法。首先，采用旋转、镜像翻转、色彩增强和同态滤波的图像处理方法扩展数据集，以提高模型的鲁棒性，通过Resnet50目标检测网络模型以及相机标定获得照片中所需的桑树枝干坐标，通过试验发现当学习率设置为0.001，迭代次数设置为600时模型的识别效果最优。该方法对于复杂自然环境中的不同光照条件具有良好的适应性，能够对存在多条分支以及被桑叶遮挡的桑树枝干进行识别并获取坐标信息，识别准确率达到87.42%，可以满足实际工作需求。