[1]郑文轩,杨瑛.基于改进轻量化YOLO v7的成熟期香梨目标检测方法[J].江苏农业科学,2024,52(20):121-128.
　Zheng Wenxuan,et al.Target detection method for fragrant pears at mature stage based on improved lightweight YOLO v7[J].Jiangsu Agricultural Sciences,2024,52(20):121-128.
点击复制

基于改进轻量化YOLO v7的成熟期香梨目标检测方法()

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第52卷
期数:
2024年第20期
页码:
121-128
栏目:
果实智能检测
出版日期:
2024-10-20

文章信息/Info

Title:
Target detection method for fragrant pears at mature stage based on improved lightweight YOLO v7
作者:
郑文轩;  杨瑛
江苏第二师范学院物理与信息工程学院，江苏南京 211200
Author(s):
Zheng Wenxuan; et al
关键词:
目标检测; 香梨; YOLO v7; 轻量化; 注意力机制
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
为在自然环境下准确地识别和检测香梨果实，以YOLO v7为基础网络模型，针对果园中香梨果实、果叶、枝干之间相互遮挡问题，提出一种改进的轻量化YOLO v7梨果目标检测方法。该方法将MobileNet v3引入YOLO v7 模型中作为其骨干特征提取网络，从而减少网络的参数量，使其更容易部署在移动端和生产实际，在特征融合层引入协同注意力机制CA(coordinate attention)模块，以提高网络的特征表达能力，将原YOLO v7中的损失函数CIoU替换为SIoU，从而提高模型的检测速度和性能。最后利用Grad-CAM 方法产生目标检测热力图，进行特征可视化。结果表明，改进的轻量化YOLO v7模型的平均精度均值(mAP)、精确率、召回率指标分别为96.33%、94.36%、89.28%，检测速度为87.71(帧/s)，模型内存占用量与原YOLO v7相比减少21.45 MB；其检测平均精度均值(mAP) 与 Faster R-CNN、YOLO v3、MobileNet v3-YOLO v4、YOLO v5s、YOLO v7模型相比分别提高28.37、9.66、1314、4.58、3.20百分点。研究表明，改进的轻量化YOLO v7模型对成熟期香梨具有很好的目标检测效果和鲁棒性，可为香梨自动化采摘提供有效的技术支持。
Abstract:
-

参考文献/References:

［1］邵园园，王永贤，玄冠涛，等. 基于高光谱成像的肥城桃品质可视化分析与成熟度检测［J］. 农业机械学报，2020，51(8)：344-350.
［2］宋怀波，尚钰莹，何东健. 果实目标深度学习识别技术研究进展［J］. 农业机械学报，2023，54(1)：1-19.
［3］林景栋，吴欣怡，柴毅，等. 卷积神经网络结构优化综述 ［J］. 自动化学报，2020，46(1)：24-37.
［4］He K M，Zhang X Y，Ren S Q，et al. Deep residual learning for image recognition［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition.Las Vegas：IEEE，2016：770-778.
［5］傅隆生，冯亚利，Tola E，et al. 基于卷积神经网络的田间多簇猕猴桃图像识别方法［J］. 农业工程学报，2018，34(2)：205-211.
［6］崔潇，马原东，倪照风，等. 基于深度学习的桃子检测研究［J］. 贵州科学，2019，37(2)：82-86.
［7］He K M，Zhang X Y，Ren S Q，et al. Spatial pyramid pooling in deep convolutional networks for visual recognition［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2015，37(9)：1904-1916.
［8］Ren S Q，He K M，Girshick R，et al. Faster R-CNN：towards real-time object detection with region proposal networks［EB/OL］. (2015-06-04)［2023-11-20］. https：//arxiv.org/abs/1506.01497v3.
［9］Redmon J，Farhadi A. YOLO v3：an incremental improvement［EB/OL］. (2018-04-08)［2023-11-20］. https：//arxiv.org/abs/1804.02767v1.
［10］Tian Y N，Yang G D，Wang Z，et al. Apple detection during different growth stages in orchards using the improved YOLO v3 model［J］. Computers and Electronics in Agriculture，2019，157：417-426.
［11］王立舒，秦铭霞，雷洁雅，等. 基于改进YOLO v4-Tiny的蓝莓成熟度识别方法［J］. 农业工程学报，2021，37(18)：170-178.
［12］周桂红，马帅，梁芳芳. 基于改进YOLO v4模型的全景图像苹果识别［J］. 农业工程学报，2022，38(21)：159-168.
［13］Lyu S L，Li R Y，Zhao Y W，et al. Green Citrus detection and counting in orchards based on YOLO v5-CS and AI edge system［J］. Sensors，2022，22(2)：576.
［14］Singh B，Najibi M，Davis S. Efficient multi-scale training［EB/OL］. ［2023-11-20］. https：//arxiv.org/abs/1805.09300.
［15］Redmon J，Divvala S，Girshick R，et al. You only look once：unified，real-time object detection［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas，NV，USA：IEEE，2016：779-788.
［16］Redmon J，Farhadi A. YOLO 9000：better，faster，stronger［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu，HI：IEEE，2017：7263-7271.
［17］Jiang B R，Luo R X，Mao J Y，et al. Acquisition of localization confidence for accurate object detection［M］//Lecture Notes in Computer Science.Cham：Springer International Publishing，2018：816-832.
［18］彭心睿，潘晴，田妮莉. WCF-MobileNet v3：轻量型新冠肺炎 CXR 图像识别网络［J］. 计算机工程与应用，2023，59(14)：224-231.
［19］刘雪，沈长盈，吕学泽，等. 基于改进MobileNet v3-Large的鸡蛋新鲜度识别模型［J］. 农业工程学报，2022，38(17)：196-204.
［20］林森，刘美怡，陶志勇. 采用注意力机制与改进YOLO v5的水下珍品检测［J］. 农业工程学报，2021，37(18)：307-314.
［21］He J，Sarah E，Ma X，etal. Alpha-IoU：a family of power intersection over union losses for boundingbox regression［C］//Proceedings of the Conference and Workshop on Neural Information Processing Systems.Long Beach，2021：1-10.
［22］Zheng Z H，Wang P，Liu W，et al. Distance-IoU loss：faster and better learning for bounding box regression［J］. Proceedings of the AAAI Conference on Artificial Intelligence，2020，34(7)：12993-13000.
［23］Gevorgyan Z. SIoU loss：more powerful learning for bounding box regression［EB/OL］. (2022-05-25)［2023-11-20］. https://arxiv.org/abs/2205.12740.
［24］周绍发，肖小玲，刘忠意，等. 改进的基于YOLO v5s苹果树叶病害检测［J］. 江苏农业科学，2023，51(13)：212-220.
［25］Danell J，Khan F. Adaptive color attributes for real-time visual tracking［C］//2014 IEEE Conference on Computer Vision and Pattern Recognition. Columbus，OH，USA：IEEE，2014：1090-1097.
［26］龙燕，杨智优，何梦菲. 基于改进 YOLO v7 的疏果期苹果目标检测方法 ［J］. 农业工程学报2023，39(14)：191-199.

相似文献/References:

[1]刘晨,哈斯亚提·托逊江,热沙来提汗·买买提,等.香梨与牧草套种对产草量及土壤性状的影响[J].江苏农业科学,2013,41(08):209.
　Liu Chen,et al.Effect of pear and grass intercropping on grass yield and soil properties[J].Jiangsu Agricultural Sciences,2013,41(20):209.
[2]罗巍,陈曙东,王福涛,等.基于深度学习的大型食草动物种群监测方法[J].江苏农业科学,2020,48(20):247.
　Luo Wei,et al.Monitoring method of large herbivore population based on deep learning[J].Jiangsu Agricultural Sciences,2020,48(20):247.
[3]陈恩会,褚姝频,王炜,等.基于RetinaNet模型的梨小食心虫智能识别计数方法[J].江苏农业科学,2021,49(24):205.
　Chen Enhui,et al.Intelligent recognition and counting method of Grapholitha molesta based on RetinaNet model[J].Jiangsu Agricultural Sciences,2021,49(20):205.
[4]陶雪阳,施振旦,郭彬彬,等.基于RFID与目标检测的种鹅个体产蛋信息监测方法[J].江苏农业科学,2023,51(5):200.
　Tao Xueyang,et al.Monitoring method of individual egg-laying information of breeding geese based on RFID and object detection[J].Jiangsu Agricultural Sciences,2023,51(20):200.
[5]严陈慧子,田芳明,谭峰,等.基于改进YOLOv4的水稻病害快速检测方法[J].江苏农业科学,2023,51(6):187.
　Yanchen Huizi,et al.Rapid detection method of rice diseases based on improved YOLOv4[J].Jiangsu Agricultural Sciences,2023,51(20):187.
[6]张驰,穆凯代斯罕·伊萨克,吴俊杰,等.基于不同去袋期分析红皮梨花青苷合成酶及相关因子[J].江苏农业科学,2023,51(9):147.
　Zhang Chi,et al.Analysis of anthocyanin synthase and related factors in red pear based on different bag removal period[J].Jiangsu Agricultural Sciences,2023,51(20):147.
[7]周绍发,肖小玲,刘忠意,等.改进的基于YOLOv5s苹果树叶病害检测[J].江苏农业科学,2023,51(13):212.
　Zhou Shaofa,et al.Improved apple leaf disease detection based on YOLOv5s[J].Jiangsu Agricultural Sciences,2023,51(20):212.
[8]姜国权,杨正元,霍占强,等.基于改进YOLOv5网络的疏果前苹果检测方法[J].江苏农业科学,2023,51(14):205.
　Jiang Guoquan,et al.Apple detection method before thinning fruit based on improved YOLOv5 model[J].Jiangsu Agricultural Sciences,2023,51(20):205.
[9]王圆圆,林建,王姗.基于YOLOv4-tiny模型的水稻早期病害识别方法[J].江苏农业科学,2023,51(16):147.
　Wang Yuanyuan,et al.An early rice disease recognition method based on YOLOv4-tiny model[J].Jiangsu Agricultural Sciences,2023,51(20):147.
[10]倪智涛,胡伟健,李宝山,等.一种基于图像分类与目标检测协同的番茄细粒度病害识别方法[J].江苏农业科学,2023,51(22):221.
　Ni Zhitao,et al.A novel method for tomato fine-grained disease recognition based on image classification and target detection[J].Jiangsu Agricultural Sciences,2023,51(20):221.

备注/Memo

备注/Memo:
收稿日期：2023-11-23
基金项目：新疆生产建设兵团科技创新项目(编号：2021CB021)。
作者简介：郑文轩(1980—)，男，河南南阳人，博士，教授，从事图像分析、计算机视觉研究。E-mail：wenxuanzhengdx@163.com。
通信作者：杨瑛，博士，教授，从事农业信息技术研究。E-mail：yangyingtlmdx@163.com。
更新日期/Last Update: 2024-10-20