基于改进YOLOv5算法的马铃薯表皮缺陷程度检测方法研究

马铃薯作为一种产量可观、营养丰富的农作物,已经成为全球不可或缺的食物之一。但恰恰因为其体量庞大的特点在对马铃薯进行分类出售时需要耗费大量的人力和物力以及时间。为了实现对马铃薯品质的自动分类,解放人力物力,提升效率。我们提出了一种基于计算机视觉及改进特征融合YOLOv5s算法的马铃薯表皮缺陷程度检测方法,我们把YOLOv5s的颈部网络中的特征金字塔网络结构替换为加权特征金字塔网络结构,采用这种双向加权特征网络能够更好的提取特征信息,更好的融合特征。并且我们加入了二分K均值聚类算法,该算法的加入极大提升了检测时的收敛速度和精度,并且有效避免了K均值聚类算法因初始聚类点质心选取不适所带来的影响。经过我们的实验表明,本项技术能够对马铃薯表皮检测的正确率达到98%。由此可见,本项基于改进YOLOv5算法的马铃薯表皮缺陷程度检测方法可行性较强,可以用于市场对马铃薯检测分类。

基于IFSSD卷积神经网络的柚子采摘目标检测模型

为了解决柚子采摘时传统水果检测模型对于小目标柚子漏检和将叶子误检为膨大期柚子的问题,设计了一种改进的特征融合单镜头检测器(InceptionV3-feature fusion single shot-multibox detector,IFSSD)。该检测器以特征融合单发多盒探测器(Feature fusion single shot-multibox detector,FSSD)为基础检测器,以改进的InceptionV3网络作为骨干网络代替超深度卷积神经网络(Very deep convolutional networks 16,VGG16),从而提高了计算效率,同时使用Focal Loss损失函数代替Multibox Loss损失函数,进而改善了由于正负样本不平衡导致的检测器误检情况。对测试数据集进行检测,结果表明,该模型的检测准确率为93.7%(IoU大于0.5),在单个NVIDIA RTX 2060 GPU上每幅图像检测时间为29 s。本文模型可以实现树上柚子的自动检测。