利用改进的YOLOv5s检测莲蓬成熟期

为解决莲田环境下不同成熟期莲蓬的视觉感知问题,该研究提出了一种改进YOLOv5s的莲蓬成熟期检测方法。首先,通过在主干特征网络中引入BoT(bottleneck transformer)自注意力机制模块,构建融合整体与局部混合特征的映射结构,增强不同成熟期莲蓬的区分度;其次,采用高效交并比损失函数EIoU(efficient IoU)提高了边界框回归定位精度,提升模型的检测精度;再者,采用K-means++聚类算法优化初始锚框尺寸的计算方法,提高网络的收敛速度。试验结果表明,改进后YOLOv5s模型在测试集下的精确率P、召回率R、平均精度均值mAP分别为98.95%、97.00%、98.30%,平均检测时间为6.4ms,模型尺寸为13.4M。与YOLOv3、 YOLOv3-tiny、 YOLOv4-tiny、 YOLOv5s、YOLOv7检测模型对比,平均精度均值mAP分别提升0.2、1.8、1.5、0.5、0.9个百分点。基于建立的模型,该研究搭建了莲蓬成熟期视觉检测试验平台,将改进YOLOv5s模型部署在移动控制器Raspberry Pi 4B中,对4种距离范围下获取的莲蓬场景图像进行模型测试。结果表明:在4种距离范围下改进的YOLOv5s算法m AP值均优于YOLOv5与YOLOv3-tiny模型,最佳的检测距离范围是0.5~1.0m。基于改进YOLOv5s网络的莲蓬成熟期检测方法可以为莲蓬智能采摘装备的研制提供理论依据,并为其他逆重力生长果蔬的成熟期检测提供借鉴。

近红外光谱技术在水果无损检测中的最新研究进展

综述了近红外光谱技术在水果成熟期预测和水果品质检测中的最新研究现状和存在的问题,并指出了今后的研究方向。