基于改进YOLO v7轻量化模型的自然果园环境下苹果识别方法

针对自然果园环境下苹果果实识别中,传统的目标检测算法往往很难在检测模型的检测精度、速度和轻量化方面实现平衡,提出了一种基于改进YOLO v7的轻量化苹果检测模型。首先,引入部分卷积(Partial convolution, PConv)替换多分支堆叠模块中的部分常规卷积进行轻量化改进,以降低模型的参数量和计算量;其次,添加轻量化的高效通道注意力(Efficient channel attention, ECA)模块以提高网络的特征提取能力,改善复杂环境下遮挡目标的错检漏检问题;在模型训练过程中采用基于麻雀搜索算法(Sparrow search algorithm, SSA)的学习率优化策略来进一步提高模型的检测精度。试验结果显示:相比于YOLO v7原始模型,改进后模型的精确率、召回率和平均精度分别提高4.15、0.38、1.39个百分点,其参数量和计算量分别降低22.93%和27.41%,在GPU和CPU上检测单幅图像的平均用时分别减少0.003 s和0.014 s。结果表明,改进后的模型可以实时准确地识别复杂果园环境中的苹果,模型参数量和计算量较小,适合部署于苹果采摘机器人的嵌入式设备上,为实现苹果的无人化智能采摘奠定了基础。

基于法向量夹角的果树点云配准与枝叶分割方法研究

在实现果园作业全自动化的过程中,亟需直接构建自然环境下果树枝干三维模型的方法。本文通过对自然环境下以不同角度采集的果树点云进行配准,并针对采样一致性(SAC-IA)+迭代最近点(ICP)配准算法在点云配准中耗时较长以及精度不高的问题,结合点云法向量夹角提取源点云和目标点云的特征点,并通过点云法向量夹角的余弦值在源点云和目标点云的特征点中查找待匹配点对的方法,提出了一种基于果树点云待匹配点对的改进SAC-IA+ICP点云配准算法;借助最小包围盒划分的分块技术对配准后的果树点云进行分块,然后利用点云的几何特征,对划分的子块进行枝叶粗分割,最后使用欧氏聚类完成枝叶的精细分割。对比实验结果显示,改进后的SAC-IA+ICP算法在平均旋转误差上相较于原始SAC-IA+ICP算法减少85.44%,配准均方根误差相较于原始SAC-IA+ICP算法减少71.74%,配准时间相较于原始SAC-IA+ICP算法减少97.99%;同时,改进后的SAC-IA+ICP算法在平均旋转误差上相较于SAC-IA+NDT算法减少90.38%,配准均方根误差相较于SAC-IA+NDT算法减少85.39%,配准时间相较于SAC-IA+NDT算法减少98.04%。另外,本文采用的枝叶分割算法能够完成枝叶分割,且相较于人工分割其分割准确度可达94.77%。