基于改进YOLOv7的疏果期苹果目标检测方法

疏果期苹果目标检测是实现疏果机械化、自动化需要解决的关键问题。为实现疏果期苹果目标准确检测,该研究以YOLOv7为基础网络,融合窗口多头自注意力机制,设计了一种适用于近景色小目标检测的深度学习网络。首先在YOLOv7模型的小目标检测层中添加Swin Transformer Block,保留更多小尺度目标特征信息,将预测框与真实框方向之间的差异考虑到模型训练中,提高模型检测精度,将YOLOv7中的损失函数CIoU替换为SIoU。最后利用Grad-CAM方法产生目标检测热力图,进行有效特征可视化,理解模型关注区域。经测试,该文模型的检测均值平均精度为95.2%,检测准确率为92.7%,召回率为91.0%,模型所占内存为81 MB,与原始模型相比,均值平均精度、准确率、召回率分别提高了2.3、0.9、1.3个百分点。该文模型对疏果期苹果具有更好的检测效果和鲁棒性,可为苹果幼果生长监测、机械疏果等研究提供技术支持。

基于改进U-Net网络的苹果叶部病害语义分割方法

针对自然条件下苹果叶部病斑分割与识别效果欠佳的问题,本文提出一种融合条件随机场和卷积块状注意力模块的苹果叶部病害语义分割模型,实现苹果叶部锈病、褐斑病、灰斑病及斑点落叶病的病斑准确分割和识别。本文在U-Net模型基础上,使用ResNet50为骨干网络防止梯度消失问题,并分别在跳跃连接分支与上采样层加入卷积块状注意力模块,减少训练过程中的分割精度损失,融合Dice Loss和Focal Loss降低损失波动,最后利用条件随机场优化分割结果,获取病斑掩模图像,实现对苹果叶部病害语义分割。本研究在自制苹果叶部病害数据集上进行试验,分析了光照、阴影及水滴等因素对分割结果的影响。试验结果表明:本文构建的语义分割模型相比传统U-Net模型,平均分割精度(mIoU)提升8.24百分点,平均分类精度(mPrecision)提升11百分点,类别平均像素准确率(mPA)提升6.09百分点,受光照不均、雨滴的影响更小,具有更好的鲁棒性和可靠性。