基于Openpose改进的苹果生长方向检测

【目的】苹果采摘机器人在果园作业过程中,不仅需要精准地确定果实的位置,还需要对苹果的生长方向进行精准检测,这样才能够实现机械爪规划出仿人式采摘的抓取方式,实现果实的高效采摘。【方法】文章提出了一种基于改进Openpose的方法,实现了对自然生长状态下果实生长方向的精准检测。改进方案主要从两个方面进行,首选是通过ShuffleNet V2和CA注意力机制相融合的方式替换原VGG19结构,降低主干的参数量,然后是结合单个苹果关键点的特征对该模型进行了去除部分PAF分支的优化改进策略。【结果】改进后的Openpose在各个指标上,全面超过了原Openpose,其运行速度是改进前的6.56倍,对于mAP、m AP-s、mAP-b、AP50和AP75这些参数,分别增长9.18%、8.50%、11.56%、1.67%和6.35%,并且在各项指标上超越了AlphaPose和CFA算法。【结论】经过对Openpose模型改进前后的对比和现有算法对比,证明了该文算法在自然场景下对果实生长方向检测的优越性和鲁棒性。     

基于改进ShuffleNet V2的轻量化农作物害虫识别模型

及时准确地识别害虫是有效防治的重要前提。针对现有基于卷积神经网络的害虫识别模型实时性差、识别率低、结构复杂不易部署等问题,提出基于改进ShuffleNet V2的农作物害虫识别模型。首先,在ShuffleNet V2中引入多尺度特征融合模块LMFF（Lightweight Multi-scale Feature Fusion）,加强模型对不同尺度害虫的特征提取能力;其次,在ECA（Efficient Channel Attention）注意力机制中增加并行路径,并通过可学习参数自适应更新不同路径的权重,提出AECA（Adaptive and Efficient Channel Attention）注意力机制,将AECA注意力机制嵌入到ShuffleNet V2中,提高模型的跨通道交互能力;然后,使用SiLU（Sigmoid Weighted Liner Unit）替换ReLU激活函数,增强模型的泛化能力;最后,通过调整输出通道数和核心模块的堆叠次数重新设计ShuffleNet V2的整体架构,降低模型的计算量和参数量,从而提出轻量化的农作物害虫识别模型SNPF（ShuffleNet for Pest Field）。试验结果表明,SNPF模型在自建害虫数据集上的平均识别准确率和F1分数为79.49%和78.54%,较改进前分别提高了4.00个百分点和3.09个百分点,而参数量和浮点运算量为3.74 M和0.48 G,较改进前分别下降了30.60%和18.60%。SNPF模型对单张害虫图像的平均推理时间为11.9 ms,与ResNet 50、GoogLeNet、EfficientNet B1等模型相比,SNPF模型的识别精度更高,并且识别时间分别减少了57.04%、50.21%和40.50%。该研究提出的SNPF模型能够较好地识别农作物害虫、并且具有识别速度快和轻量化的特点,可以为农作物害虫的防治提供帮助。