基于改进YOLOv4的苹果检测与果径估测方法

为实现自然场景下苹果快速、精确检测与果实生长状态监测,提出基于改进的YOLOv4苹果检测模型与果径估测方法。针对自然场景下背景杂乱、目标较小等问题,在特征提取网络中引入注意力机制使模型更关注于果实区域,并在路径聚合网络中使用DO-Conv卷积以丰富网络提取的特征信息,提高模型检测性能。将检测后的目标区域进行CIELAB颜色空间分量下的阈值分割,利用RGB-D深度信息进行尺寸转换,实现果径估测。实验结果表明,模型检测精度达91.5%。果径估测平均绝对误差为1.91 mm,均方根误差(RMSE)为2.17 mm,总体分级准确率在90%以上,可为田间苹果分级与生长状态监测提供参考。

改进YOLOv5的苹果花生长状态检测方法

针对现有目标检测算法难以在果园复杂环境下对苹果花朵生长状态进行高精度检测的问题,提出一种改进YOLOv5的苹果花朵生长状态检测方法,对花蕾、半开、全开、凋落四类苹果树开花期花朵生长状态进行检测。该方法对跨阶段局部网络模块进行改进,并调整模块数量,结合协同注意力模块设计主干网络,提高模型检测性能并减少参数。结合新的检测尺度与基于拆分的卷积运算设计特征融合网络,提升网络特征融合能力。选用CIoU作为边框回归的损失函数实现高精度的定位。将改进算法与原始YOLOv5算法在自建数据集上进行对比实验,结果表明,改进算法mAP达到0.922,比YOLOv5提高5.4个百分点,与其他主流算法相比检测精度有较大提升,证明了算法的有效性。