基于图像处理的成熟草莓检测技术研究

针对目前成熟草莓的检测效率低及易增加草莓损坏率的问题,基于图像处理对成熟草莓检测技术进行了研究。草莓视觉检测系统的硬件组成主要包括CCD摄像头、图像采集卡、计算机主机、光源、继电器和运动控制设备,采用图像处理算法和BP神经网络算法对草莓成熟度进行检测。工作时,通过摄像头拍摄图片,并对草莓图片进行预处理、分割和滤波等处理和分析;然后,采用BP神经网络算法识别出不同成熟度的草莓。为了验证该系统的性能,采用确定成熟度的草莓对系统进行训练和测试,结果表明系统可以准确识别草莓的成熟度。

基于改进 YOLOv8的多阶段草莓检测算法

为实现温室复杂环境中草莓的快速、精确检测,提出一种基于改进YOLOv8的多阶段草莓检测算法。首先,针对温室环境下采集到的草莓数据集,使用LabelImg对数据集进行标注;其次,针对草莓体积小、环境复杂等问题,在主干网络中融入BiFormer动态注意力机制,实现更加灵活的计算分配和特征感知,使网络模型更加关注小目标检测,并提高其在复杂环境下的果实检测能力;最后,在Neck部分引入VanillaNet模块,以降低模型计算量,进一步提高对草莓的识别精度。试验结果表明,相较传统的YOLOv8,改进后的YOLOv8的平均精度均值mAP提升4.6%,达到93.8%。改进后的YOLOv8具有更高的检测精度,同时在小目标检测方面表现出色,为后续的采摘机器人实时小目标检测提供支撑。

一种改进型YOLOv5草莓检测算法

针对现有的草莓检测算法模型参数量大、准确率低、实时性差等问题,提出一种改进型YOLOv5草莓检测算法。算法基于YOLOv5模型,骨干网络引入GhostConv和C3Ghost模块进行参数量压缩,构造轻量化模型;加入Cutout增强数据,增加训练样本的多样性,进而提高模型的泛化能力和抗干扰能力;通过引入Gather-Excite和Transformer注意力机制加强对草莓图像重要特征的关注,从而提升检测算法在复杂环境下的识别能力。实验显示,所提算法的平均精度均值1和平均精度均值2分别为97.7%和83.5%,参数量缩减为4.01 M,推理时间为26.3 ms。改进后的算法相比原算法具有识别速度快、定位准度高以及占用内存少的优势,在满足精准采摘工作要求的前提下可以提高采摘效率。

一种超轻量化草莓成熟度检测模型YECC

【目的】实现在大棚草莓种植环境下,在资源受限的移动设备端如安卓手机端,实时快速精准地识别不同成熟度的草莓。【方法】提出了一种超轻量化草莓成熟度检测模型YECC,该模型基于轻量级网络模型YOLOv8n进行改进,首先使用EfficientNetv2模块对Backbone部分进行轻量化改进,使模型的三类轻量化指标大幅优化,同时提升检测速度;然后把头层特征提取层Stem模块继续改用YOLOv8n的Conv模块,提升检测精度;接着使用CBAM注意力机制替换原模型Neck部分最后的C2f模块,进一步优化模型的三类轻量化指标,经过改进后的模型称为YECC。同时将YECC模型部署于安卓手机端,开发了一款名为StrawberryDetect的草莓成熟度检测App,并对比了YECC模型和YOLOv8n模型在图库、拍照、实时视频流三个模式下的草莓成熟度检测结果。【结果】YECC的FLOPs缩减至YOLOv8n的31%,Memorysize缩减至58%,Parameters缩减至56%,同时YECC的AP50(ripe类)识别率达到了0.969,高于YOLOv8n的0.968;并且在安卓平台的对比测试表明,在检测精度近似的情况下,YECC模型的FPS是YOLOv8n的两倍以上,可以精准流畅地进行草莓成熟度检测。【结论】本设计能实现草莓生长自动化监控,为色盲色弱从业人员提供采摘依据,为农业采摘机器人提供技术支持,也为成功把模型泛化到类似的工作场景提供了可行的方案。

基于卷积神经网络的草莓品质检测方法研究

在全球草莓产业的快速发展的今天,草莓的品质检测越来越重要,它不仅影响草莓的市场价值,也关系到消费者的食品安全。然而,传统的草莓品质检测方法,如手动或视觉检测和机器学习方法,由于其效率低、结果不一致、需要大量标签数据等问题,无法满足现代农业的需求。因此,利用卷积神经网络进行草莓品质检测的研究引起了广泛关注。本文详细介绍了基于卷积神经网络的草莓品质检测方法,包括数据收集和预处理、模型的构建和训练、模型的测试和验证等步骤,并对其中的挑战和可能的解决方案进行了讨论,为草莓产业的数字化和智能化提供了新的思路和方向。

基于改进YOLOv5s的草莓成熟度实时检测算法

本研究提出了一种基于YOLOv5s的草莓成熟度实时检测算法YOLOv5s-SCS,该算法针对检测过程中草莓数量多、体积小、果实之间遮挡、重叠、密集等特点,优化了对小目标和密集目标存在误检和漏检等问题,显著提升了检测速度。首先,引入SimOTA匹配算法动态分配成熟草莓正样本,提高成熟草莓的识别能力;其次,将YOLOv5s颈部的部分C3模块替换成C2f模块,实现了模型的轻量化,提升了模型的平均检测精度;最后,在YOLOv5s骨干网络的首个C3模块中添加具有全局感受野的SE(Squeeze-and-Excitation)注意力机制,该机制通过自动学习方式获取每个特征通道的重要程度,并且利用得到的重要程度来提升特征并抑制对当前任务不重要的特征。实验结果表明,改进后的算法平均精度均值、精确率、召回率、模型体积、检测速度分别为98.3%、92.6%、96.6%、13.5 MB和89.3 FPS,相较于原始YOLOv5s平均精度均值提高了1.8个百分点,精确率和召回率分别提升了1.3个和2.1个百分点,模型体积减小了0.3 MB,检测速度提高了82.24%,NMS(非极大值抑制处理)和图像预处理的时间大幅缩减,检测速度达到实时检测要求。该算法与其他算法比较,识别精度及模型体积均优于其他算法,在复杂环境下具有良好的鲁棒性,为开发草莓成熟度实时检测系统提供了解决方案。