采用改进YoloV4模型检测复杂环境下马铃薯

摘要：

为解决马铃薯联合收获机在作业过程中分级清选的问题,并在收获作业过程中实时监测评估收获状态,该研究提出一种在光照亮度变化大、土壤与薯块遮挡、机器振动以及尘土干扰等情况下对马玲薯进行识别检测并快速准确获取马铃薯数量以及损伤情况的机器学习模型.在卷积神经残差网络中引入轻量级注意力机制,改进YoloV4检测网络,并将YoloV4结构中的CSP-Darknet53网络替换为MobilenetV3网络,完成特征提取.试验结果表明,基于卷积神经网络的深度学习方法相比于传统Open-CV识别提高了马铃薯识别精度,相比于其他传统机器学习模型,MobilenetV3-YoloV4识别速度更快,马铃薯识别的全类平均准确率达到91.4％,在嵌入式设备上的传输速度为23.01帧/s,模型鲁棒性强,能够在各种环境下完成对正常马铃薯和机械损伤马铃薯的目标检测,可为马铃薯联合收获机智能清选以及智能收获提供技术支撑.

关键词：机器视觉;目标检测;深度学习;马铃薯;YoloV4;MobilenetV3

所属期刊栏目：37

分类号：S24(农业电气化与自动化)

资助基金：云南省重大科技专项;重庆市科研机构绩效激励引导专项

在线出版日期：2022-02-18（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