采用组合增强的YOLOX-ViT协同识别温室内番茄花果

摘要：

番茄花果的协同识别是温室生产管理调控的重要决策依据,针对温室番茄栽培密度大,植株遮挡、重叠等因素导致的现有识别算法精度不足问题,该研究提出一种基于级联深度学习的番茄花果协同识别方法,引入图像组合增强与前端ViT分类网络,以提高模型对于小目标与密集图像检测性能.同时,通过先分类识别、再进行目标检测的级联网络,解决了传统检测模型因为图像压缩而导致的小目标模糊、有效信息丢失问题.最后,引入了包括大果和串果在内的不同类型番茄品种数据集,验证了该方法的可行性与有效性.经测试,研究提出的目标检测模型的平均识别率均值(mean average precision,mAP)为92.30％,检测速度为28.46帧/s,其中对小花、成熟番茄和未成熟番茄识别平均准确率分别为87.92％、92.35％和96.62％.通过消融试验表明,与YOLOX、组合增强YOLOX相比,改进后的模型mAP提高了2.38～6.11个百分点,相比于现有YOLOV3、YOLOV4、YOLOV5主流检测模型,mAP提高了16.56～23.30个百分点.可视化结果表明,改进模型实现了对小目标的零漏检和对密集对象的无误检,从而达到了高精度的协同检测目标.研究成果为温室种植环境下的番茄生长识别提供参考.

关键词：图像识别、深度学习、番茄、级联网络、YOLOX、Transformer、协同检测、图像增强

所属期刊栏目：39

分类号：S126(农业物理学)

资助基金：河北省重点研发计划项目;现代农业产业技术体系北京市创新团队项目;吴忠自治区级农业高新技术产业示范区建设专项项目

在线出版日期：2023-05-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：124-134