基于改进YOLOv4的轻量化菠萝苗心检测算法

摘要：

当前菠萝催花作业以人工喷洒为主,生产效率低、劳动强度大.菠萝苗心位置的精准识别和定位是实现机械化、智能化菠萝催花的核心问题.该研究在YOLOv4目标识别算法的基础上,选择GhostNet作为主干特征提取网络,构建了一种混合网络模型,并在颈部网络中融合深度可分离卷积与轻量级的注意力模块.改进后的模型相较于YOLOv4模型的总参数量减少70％.与YOLOv4、Faster R-CNN和CenterNet 3个模型进行检测对比试验,结果可得:改进模型在菠萝植株种植密集与稀疏的条件下识别精度分别为94.7％和95.5％,实时识别速度可达27帧/s,每张图像平均检测时间为72 ms,相比常规YOLOv4模型用时缩短23％.总体性能表现均优于对比组的目标检测模型.总的来说,改进模型YOLOv4-GHDW在一定程度上实现了检测速度、识别精度和模型体量三者之间平衡,能够在实际种植环境下对菠萝苗心有较好的识别效果.研究结果可为智能化菠萝精准催花设备研发提供视觉技术支持.

关键词：机器视觉、图像处理、菠萝催花、目标检测、深度可分离卷积、GhostNet、YOLOv4

所属期刊栏目：39

分类号：S24(农业电气化与自动化)

资助基金：十四五广东省农业科技创新十大主攻方向揭榜挂帅项目;广东省普通高校特色创新类项目;广东省科技创新战略专项资金项目

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9页

页码：135-143