基于改进YOLO v4的自然场景下冬枣果实分类识别

为实现冬枣园机械化自动化采摘以及冬枣树精准化管理，针对自然场景下冬枣果实的快速、准确分类识别问题，提出一种基于YOLO v4模型改进的冬枣果实分类识别模型CC-YOLO v4。利用改进的CSP跨阶段部分连接结构和多尺度特征融合的CBAM卷积注意力模块，减小网络规模的同时增强特征提取能力，改善果实分类识别的误检和遮挡目标的漏检情况；采用Softmax交叉熵损失函数代替Sigmoid二元交叉熵损失函数作为分类损失函数，引入EIoU损失函数代替CIoU损失函数作为边界框回归损失，进一步改善果实分类识别的误检并提升预测框精度。试验结果表明，CC-YOLO v4模型对3类冬枣果实的查准率P均值为81.86%,平均检测精度均值mAP为82.46%,IoU均值为81.35%,模型参数量和大小分别为26.9 M和108 MB,检测速度可达28.8 F/s。与其他模型相比，本模型具有更好的分类识别能力、识别速度和较小的模型复杂度。在不同果实数量情况下进一步试验，本研究方法具有良好的精度和鲁棒性，对解决自然场景下冬枣果实的精准分类识别问题具有重要参考价值。