基于改进YOLOv4-Tiny的蓝莓成熟度识别方法

摘要：

为实现自然环境下蓝莓果实成熟度的精确快速识别,该研究对YOLOv4-Tiny网络结构进行改进,提出一种含有注意力模块的目标检测网络(I-YOLOv4-Tiny).该检测网络采用CSPDarknet53-Tiny网络模型作为主干网络,将卷积注意力模块(Convolution Block Attention Module,CBAM)加入到YOLOv4-Tiny网络结构的特征金字塔(Feature Pyramid Network,FPN)中,通过对每个通道的特征进行权重分配来学习不同通道间特征的相关性,加强网络结构深层信息的传递,从而降低复杂背景对目标识别的干扰,且该检测网络的网络层数较少,占用内存低,以此提升蓝莓果实检测的精度与速度.对该研究识别方法进行性能评估与对比试验的结果表明,经过训练的I-YOLOv4-Tiny目标检测网络在验证集下的平均精度达到97.30％,能有效地利用自然环境中的彩色图像识别蓝莓果实并检测果实成熟度.对比YOLOv4-Tiny、YOLOv4、SSD-MobileNet、Faster R-CNN目标检测网络,该研究在遮挡与光照不均等复杂场景中,平均精度能达到96.24％.平均检测时间为5.723 ms,可以同时满足蓝莓果实识别精度与速度的需求.I-YOLOv4-Tiny网络结构占用内存仅为24.20 M,为采摘机器人与早期产量预估提供快速精准的目标识别指导.

关键词：机器视觉;图像识别;目标检测网络;深度学习;蓝莓;卷积注意力块

所属期刊栏目：37

分类号：TP391.4(计算技术、计算机技术)

资助基金：黑龙江省教育厅科技课题;黑龙江省自然科学基金联合引导项目

在线出版日期：2021-12-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：170-178