基于改进YOLOv7-tiny的茶叶嫩芽分级识别方法

实现自然生长环境的茶叶嫩芽分级识别是名优茶智能化采摘的基础,针对光照、遮挡、密集等复杂环境造成的茶叶嫩芽识别精度较低、鲁棒性较差等问题,提出了一种基于YOLOv7-tiny的改进模型。首先在YOLOv7-tiny模型的小目标检测层添加卷积注意力模块,提高模型对小目标特征的关注能力,减少复杂环境对茶叶嫩芽识别的干扰;调整空间金字塔池化结构,降低模型运算成本,提高检测速度;使用交并比(Intersection over Union,IoU)和归一化Wasserstein距离(Normalized gaussian wasserstein distance,NWD)结合的损失函数,改善IoU机制对位置偏差敏感的问题,进一步提高模型对小目标检测的鲁棒性。结果表明,该模型的检测准确率为91.15%,召回率为88.54%,均值平均精度为92.66%,模型大小为12.4 MB,与原始模型相比,准确率、召回率、均值平均精度分别提高2.83、2.00、1.47个百分点,模型大小增加0.1 MB。与不同模型的对比试验表明,该模型在多个场景下的嫩芽分级检测中漏检和误检较少,置信度分数较高。改进后的模型可应用于名优茶采摘机器人的嫩芽分级识别。

基于改进YOLOv5s的茶叶嫩芽分级识别方法

【目的】实现自然环境下茶树鲜叶嫩芽品质识别,是移动机器人自动化采摘茶叶嫩芽的技术基础。针对茶园复杂环境下茶叶嫩芽识别准确率低、速度慢和鲁棒性差的缺点,提出了一种基于改进YOLOv5s的茶叶嫩芽分级识别方法。【方法】使用双目深度相机采集茶叶嫩芽图像,并完成茶叶嫩芽图像的增强和标注,以此进行数据集的构建。为加强茶叶嫩芽主要特征提取能力以及减少参数和计算量,在YOLOv5s主干网络尾部(SPPF模块后)加入CBAM注意力机制;为提高小尺寸茶叶嫩芽的识别准确率,在YOLOv5s多特征融合结构中增加微小目标检测层,将浅层与深层特征图融合后进行检测。使用改进的YOLOv5s算法对制作的茶叶嫩芽图像数据集进行模型的训练和测试实验,与多种主流目标检测算法进行对比实验,并对不同角度、不同距离拍摄的茶叶嫩芽进行识别效果检测。【结果】改进的YOLOv5s网络模型对多类别茶叶嫩芽识别的平均准确率(MAP)和召回率(R)分别达到94.2%、98.2%,较原模型分别提高1%、1.9%;各等级茶叶中,单芽和一芽一叶茶叶的识别平均准确率(AP)提高较多,分别提高了1.4%和1.5%,一芽二叶和一芽三叶的茶叶识别AP分别提高1%、0.5%。改进的YOLOv5s网络模型平均检测时间0.0262 s,模型大小为15.8 MB,相比原模型仅有微小增加。【结论】与多种主流检测模型相比,改进的YOLOv5s算法对各等级茶叶嫩芽识别准确率较高,对小尺寸茶叶嫩芽的识别效果提高较多,漏检和误检情况大大减少,具有良好的鲁棒性和实时性,满足对不同品质茶叶嫩芽的精准实时识别需求,适合在移动设备使用,可以为茶叶嫩芽的自动化采摘提供技术支持。

基于变邻域的改进AGV路径规划算法

针对工厂环境下,自动引导车(AGV)在导航过程中,传统A*路径规划算法存在冗余搜索节点多、效率低、移动方向受限大等问题,提出一种基于变邻域的改进A*路径规划算法。首先,将传统3×3邻域搜索方式改进为7×7邻域搜索,同时基于终点向量的变邻域搜索方法,进一步动态优化搜索邻域范围。然后,结合预设地图及当前节点信息优化代价函数。最后,通过插点法优化冗余路径以增加路径平滑度。实验结果表明,该算法相较于传统A*算法,在路径长度、搜索效率、累计转角等性能指标上提高显著。所提方法为路径规划算法提供了一种新的思路。