基于数据增强深度学习的苹果花检测方法研究

为提高现代化果园化学疏花的工作效率以及促进疏花机械的研发,针对果园生产中传统识别方法检测开花强度不全面、效率低等问题,提出一种基于数据增强YOLOv4深度学习的苹果花检测方法。首先,搭建YOLOv4网络模型,以CSPDarknet53框架为主干特征提取网络,然后为了减少样本数据不均和数量不足的影响,进行离线和在线数据增强的YOLOv4方法研究。最后,利用人工标注的苹果花图像对模型进行微调和训练,将所提出的方法与YOLOv3、YOLOv4和Faster R-CNN的检测模型进行对比试验,并讨论了不同拍摄情况下苹果花的检测性能,验证了该方法的有效性。试验结果表明,所提出的数据增强的YOLOv4的方法检测苹果花的AP值为99.76%;分别比Faster R-CNN、YOLOv3和YOLOv4提高了2.53%、14.56%和5.08%。相较于其他检测方法,该方法具有更高的苹果花检测精准度。

基于改进YOLOX-s的苹果花生长状态检测方法及验证分析

为实现苹果园智能疏花,提出一种基于改进YOLOX-s的苹果花生长状态检测方法。采集并建立苹果花数据集,以用于网络模型的训练和验证,搭建YOLOX-s模型,对主干网络进行改进,在输出特征后两层加入CBAM注意力机制模块,采用EIOU作为模型的回归函数,在后处理阶段引入Focal Loss损失函数,以提高模型对拥簇苹果花的检测能力,提高模型的平均精度。结果表明改进后的YOLOX-s模型精确度为91.75%,相比未改进前提升0.5%,召回率提升6.19%,平均精度提高4.28%。该研究为实现苹果花生长状态智能检测提供技术支持,指导智能化疏花精准决策。