|本期目录/Table of Contents|

[1]鲍宜帆,张一丹,樊彩霞,等.基于深度学习的草莓成熟度检测方法[J].江苏农业科学,2025,53(5):89-94.
　Bao Yifan,et al.Study on strawberry maturity detection method based on deep learning[J].Jiangsu Agricultural Sciences,2025,53(5):89-94.
点击复制

基于深度学习的草莓成熟度检测方法(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第53卷
期数:
2025年第5期
页码:
89-94
栏目:
果实智能检测
出版日期:
2025-03-05

文章信息/Info

Title:
Study on strawberry maturity detection method based on deep learning
作者:
鲍宜帆1; 张一丹1; 樊彩霞2; 刘胜3
1.南阳农业职业学院，河南南阳 473000； 2.河南农业大学，河南郑州 450046； 3.郑州大学电气与信息工程学院，河南郑州 450001
Author(s):
Bao Yifan; et al
关键词:
深度学习; 草莓成熟度; YOLO v8; DCN v3; MDPIoU损失函数; EMA注意力机制
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
针对草莓成熟度检测自动化和精确性低的问题，提出一种基于改进的YOLO v8模型的检测方法。首先，通过现场拍摄和网络爬虫技术建立涵盖多种成熟度状态的草莓数据集，为后续模型的训练和验证提供坚实的基础。其次，对YOLO v8模型进行多方面改进，引入DCN v3模块设计的DCN v3-backbone，以增强模型对不同成熟度草莓特征的提取能力。该模块能够动态调整卷积核的形状和位置，使得模型在处理具有复杂形变的草莓图像时表现更佳。同时，为优化边界框的精确定位，采用MDPIoU损失函数。与传统的损失函数相比，MDPIoU能够更好地处理目标边界框的定位问题，提高检测精度。在检测头部分，加入了EMA注意力机制，以进一步提升模型对关键特征的提取能力。EMA注意力机制通过动态调整权重，突出显示重要的图像区域，从而提高了模型的检测性能。通过在验证集上的测试，全面评估了改进模型的性能。结果显示，改进后的模型准确率为84.91%，召回率为82.75%，平均精度均值为8747%，相比原模型分别提升3.34、8.43、3.55百分点，说明改进模型在草莓成熟度检测任务中具有很高的有效性和实用性。因此，该研究方法不仅为草莓成熟度的自动化检测提供了新的技术路径，也为其他农产品的相似应用提供了借鉴和扩展。
Abstract:
-

参考文献/References:

［1］李红丹，帅璐宇，徐雪环，等. 基于改进YOLO v7的草莓成熟度检测方法［J］. 四川农业大学学报，2024，42(3)：561-571.
［2］黎施欣，范小平. 图像处理与识别在果蔬成熟度监测中的研究及应用［J］. 包装工程，2024，45(3)：153-164.
［3］刘永波，高文波，何鹏，等. 基于改进ResNet50模型的自然环境下苹果物候期识别［J］. 智慧农业(中英文)，2023，5(2)：13-22.
［4］李扬，腰彩红，高冠群，等. 一种基于YOLO v5的草莓多阶段目标检测方法［J］. 天津农业科学，2022，28(11)：81-90.
［5］汤泽政，伍奕桦，徐新明，等. 基于改进YOLO v7-Tiny的成熟草莓识别模型研究［J］. 江西农业大学学报，2023，45(6)：1528-1542.
［6］杜芳芳，王丹，杨强. 基于图像处理的成熟草莓检测技术研究［J］. 农机化研究，2024，46(4)：230-233，238.
［7］李茂，肖洋轶，宗望远，等. 基于改进YOLO v8模型的轻量化板栗果实识别方法［J］. 农业工程学报，2024，40(1)：201-209.
［8］窦智，高浩然，刘国奇，等. 轻量化YOLO v8的小样本钢板缺陷检测算法［J］. 计算机工程与应用，2024，60(9)：90-100.
［9］Wang W H，Dai J F，Chen Z，et al. InternImage：exploring large-scale vision foundation models with deformable convolutions［C］//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).Vancouver，BC，Canada：IEEE，2023：14408-14419.
［10］Yang Z Y，Shen Y Y，Shen Y F. Football referee gesture recognition algorithm based on YOLO v8s［J］. Frontiers in Computational Neuroscience，2024，18：1341234.
［11］郑文轩，杨瑛. 基于频域数据增强与轻量化YOLO v7模型的成熟期香梨目标检测方法［J］. 农业机械学报，2024，55(5)：244-253.
［12］Ouyang D L，He S，Zhang G Z，et al. Efficient multi-scale attention module with cross-spatial learning［C］//ICASSP 2023-2023 IEEE International Conference on Acoustics，Speech and Signal Processing (ICASSP).Rhodes Island，Greece：IEEE，2023：1-5.
［13］彭朝琴，李奇聪，陈娟，等. 基于GRU和改进注意力机制的多信息融合的EMA故障诊断方法［J/OL］. 北京航空航天大学学报，2023：1-16(2023-10-25)［2024-05-07］. https：//doi.org/10.13700/j.bh.1001-5965.2023.0584.
［14］高昂，卢传兵，任龙龙，等. 基于改进YOLOX-s的苹果花生长状态检测方法及验证分析［J］. 中国农机化学报，2023，44(8)：162-167.
［15］Coleman G R Y，Kutugata M，Walsh M J，et al. Multi-growth stage plant recognition：a case study of Palmer amaranth (Amaranthus palmeri) in cotton (Gossypium hirsutum)［J］. Computers and Electronics in Agriculture，2024，217：108622.
［16］刘莫尘，褚镇源，崔明诗，等. 基于改进YOLO v8-Pose的红熟期草莓识别和果柄检测［J］. 农业机械学报，2023，54(增刊2)：244-251.

相似文献/References:

[1]梁万杰,曹宏鑫.基于卷积神经网络的水稻虫害识别[J].江苏农业科学,2017,45(20):241.
　Liang Wanjie,et al.Identification of rice insect pests based on CNN model[J].Jiangsu Agricultural Sciences,2017,45(5):241.
[2]赵建敏,李艳,李琦,等.基于卷积神经网络的马铃薯叶片病害识别系统[J].江苏农业科学,2018,46(24):251.
　Zhao Jianmin,et al.Potato leaf disease identification system based on convolutional neural network[J].Jiangsu Agricultural Sciences,2018,46(5):251.
[3]李懿超,沈润平,黄安奇.基于深度学习的湘赣鄂地区植被变化及其影响因子关系模型[J].江苏农业科学,2019,47(03):213.
　Li Yichao,et al.Study on relational model between vegetation change and its impact factors based on deep learning in Hunan， Jiangxi and Hubei areas[J].Jiangsu Agricultural Sciences,2019,47(5):213.
[4]刘嘉政.基于深度迁移学习模型的花卉种类识别[J].江苏农业科学,2019,47(20):231.
　Liu Jiazheng.Flower species identification based on deep transfer learning model[J].Jiangsu Agricultural Sciences,2019,47(5):231.
[5]荆伟斌,胡海棠,程成,等.基于深度学习的地面苹果识别与计数[J].江苏农业科学,2020,48(05):210.
　Jing Weibin,et al.Recognition and counting of ground apples based on deep learning[J].Jiangsu Agricultural Sciences,2020,48(5):210.
[6]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(5):247.
[7]孙孝龙,徐森,周卫阳,等.基于物联网和深度学习的养蚕智能监控系统设计[J].江苏农业科学,2020,48(21):241.
　Sun Xiaolong,et al.Design of an intelligent monitoring system for sericulture based on internet of things and deep learning[J].Jiangsu Agricultural Sciences,2020,48(5):241.
[8]康飞龙,李佳,刘涛,等.多类农作物病虫害的图像识别应用技术研究综述[J].江苏农业科学,2020,48(22):22.
　Kang Feilong,et al.Application technology of image recognition for various crop diseases and insect pests: a review[J].Jiangsu Agricultural Sciences,2020,48(5):22.
[9]李彧,余心杰,郭俊先.基于全卷积神经网络方法的玉米田间杂草识别[J].江苏农业科学,2022,50(6):93.
　Li Yu,et al.Weed recognition in corn field based on fully convolutional neural network (FCN) method[J].Jiangsu Agricultural Sciences,2022,50(5):93.
[10]孙东来,王继超,陈科,等.基于Ghost-YOLOv3-2算法的2尺度猪目标检测[J].江苏农业科学,2022,50(7):189.
　Sun Donglai,et al.Two-scale pig target detection based on Ghost-YOLOv3-2[J].Jiangsu Agricultural Sciences,2022,50(5):189.

备注/Memo

备注/Memo:
收稿日期：2024-05-07
基金项目：国家自然科学基金(编号：62001423)。
作者简介：鲍宜帆(1982—)，女，河南南阳人，硕士，讲师，研究方向为图像处理、农业物联网。E-mail：bao741852fan@163.com。
更新日期/Last Update: 2025-03-05