基于改进YOLOv4的果园柑橘检测方法研究

摘要：

水果的自动检测是自动采摘、果园喷药、采后分拣等农业应用中的关键技术.针对果园环境中柑橘目标小、噪声多、遮挡严重等问题,本文基于YOLOv4算法提出一种改进的适用于果园环境的柑橘快速识别方法.主要改进措施包括:一是在训练阶段利用Canopy算法和K-Means++算法自动选择先验框的数目和大小;二是在YOLOv4网络中每个不同尺度特征的输出层前增加一个调整层,并采用残差网络结构和密集连接网络相结合,同时修改回归框损失函数,以便检测复杂背景下的小柑橘;三是在保证不造成较大检测精度损失的前提下,对网络中不重要的通道和网络层进行剪枝.与目前常用的YOLOv4、MLKP和Cascade R-CNN等3种目标检测算法的对比实验结果表明,本文改进的YOLOv4算法对果园环境下不同生长期柑橘的检测平均准确率达96.04％,平均检测速度为每张图像0.06 s,均优于对比的3种主流目标检测算法.本文提出的方法可为自然条件下果园中柑橘的采摘、产量评估等应用提供技术和方法指导.

关键词：柑橘识别;小目标检测;深度学习;改进YOLOv4;卷积神经网络

所属期刊栏目：39

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金;广西科技计划项目;广西多源信息挖掘与安全重点实验室系统性研究课题基金;广西研究生教育创新计划项目

在线出版日期：2021-10-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：134-146