基于改进YOLOv4模型的全景图像苹果识别

• 全文链接

关键词：

来源：

CNKI:农业工程学报

全文链接：

//agri.nais.net.cn/topic/downloadFile/1af1b2d9-7cf9-4d8b-a47b-3470d47505dd

来源地址：

https://webvpn.hainanu.edu.cn/https/77726476706e69737468656265737421fbf952d2243e635930068cb8/kcms2/article/abstract?v=lu7GCbFnkC0kwm0imp6OfdZYI3dxkumd-gABd8Qe_EA8nppJGrhFLtMTdRKDntTCeLuu2IrFIRWN2XQ2P4A_Z32RONjDmyr97ap4emq6licEMgPpKJwu6A==&uniplatform=NZKPT

资源所属：

智慧农业发展战略专题

类型：

学术文献

语种：

中文

原文发布日期：

2022-11-08

摘要：

苹果果园由于密植栽培模式，果树之间相互遮挡，导致苹果果实识别效果差，并且普通的图像采集方式存在图像中果实重复采集的问题，使得果实计数不准确。针对此类问题，该研究采用全景拍摄的方式采集苹果果树图像，并提出了一种基于改进YOLOv4和基于阈值的边界框匹配合并算法的全景图像苹果识别方法。首先在YOLOv4主干特征提取网络的Resblock模块中加入scSE注意力机制，将PANet模块中的部分卷积替换为深度可分离卷积，且增加深度可分离卷积的输出通道数，以增强特征提取能力，降低模型参数量与计算量。将全景图像分割为子图像，采用改进的YOLOv4模型进行识别，通过对比Faster R-CNN、CenterNet、YOLOv4系列算法和YOLOv5系列算法等不同网络模型对全景图像的苹果识别效果，改进后的YOLOv4网络模型精确率达到96.19%，召回率达到了95.47%，平均精度达到97.27%，比原YOLOv4模型分别提高了1.07、2.59、2.02个百分点。采用基于阈值的边界框匹配合并算法，将识别后子图像的边界框进行匹配与合并，实现全景图像的识别，合并后的结果其精确率达到96.17%，召回率达到95.63%,F1分数达到0.96，平均精度达到95.06%，高于直接对全景图像苹果进行识别的各评价指标。该方法对自然条件下全景图像的苹果识别具有较好的识别效果。