基于多重特征增强与特征融合SSD的荔枝检测

使用无人机拍摄的荔枝图像目标尺寸小、特征信息不足。为了更多、更好地检测到荔枝,该研究提出一种基于多重特征增强与特征融合的SSD(Single Shot Multibox Detector based on Multiple Feature Enhancement and Feature Fusion,MFEFF-SSD)模型。为了减少不必要的计算量,删除原始主干网络Vgg16的最后两个卷积层,并在Conv8和Conv9层使用感受野模块(Receptive Field Block,RFB),提升主干网络的特征提取能力;然后使用高效空间金字塔模块(Efficient Spatial Pyramid Block,ESP),增强浅层特征;提出改进的路径聚合网络(Improved Path Aggregation Network,IPANet)多尺度融合特征,提升荔枝小目标的检测效果;最后在浅层引入通道注意力机制SE(SqueezeandExcitation)模块,进一步提高检测精度。同时,调整先验框的大小和数量,适应荔枝小目标的尺寸。试验结果表明:该研究提出的RFB模块可以提高检测效果;IPANet的平均精确率比FPN(Feature Pyramid Network)略有提高;SE模块的平均精确率比CBAM(Convolutional Block Attention Module)、ECA(Efficient Channel Attention)模块分别提高1.15个百分点和2.12个百分点;ESP模块的平均精确率比ASPP(atrous spatial pyramid pooling)提高2.51个百分点;与SSD、Yolov4-tiny、Faster-RCNN和Center Net模型相比,MFEFF-SSD模型的平均精确率分别提高30.62、14.58、44.46和15.93个百分点,能够更精准、有效地实现对无人机拍摄的荔枝图像检测,可为小目标农作物的检测开拓思路。

基于机器视觉的荔枝品质快速自动检测

荔枝的产后品质检测是进入市场前的一个重要工序,对提高荔枝商品化的处理水平、增强其市场竞争力以及提高其附加价值具有重要的意义。基于机器视觉的检测方法能在无损伤的前提下,快速准确的进行检测,具有良好的可靠性。为此,基于机器视觉技术,提出了一种荔枝品质快速自动检测的方法。利用深度学习中的SSD算法结合多视窗检测方法,对视觉获取的图像进行荔枝快速品质检测。建立了一套荔枝品质自动检测系统,以"桂味"荔枝作为实验对象,在模拟车间环境下进行多组实验,平均识别准确率为93.3%,其中成熟品、未成熟品和爆裂品的识别准确率分别为95.6%、93.2%和91.1%,平均识别耗时40 ms,可以实现产后荔枝的品质快速自动化检测。

基于改进YOLOv4-Tiny的荔枝轻量化检测方法

为实现林间荔枝快速准确检测,本研究提出了一种基于YOLOv4-Tiny改进的荔枝轻量化检测方法.通过在主干网络加入SPP模块和在颈部网络加入ECA模块,提升模型对小目标荔枝的识别效果和在复杂背景下的检测性能,消融实验验证了改进方法的有效性.利用林间荔枝图像数据集训练了改进的模型,并分析了改进前后的性能差异,结果显示,改进后的模型检测速度为54帧/秒,精确率、召回率、平均精度分别为99.20%、82.88%、95.49%.与SSD、Faster RCNN及YOLOv4-Tiny模型相比,改进后的模型平均精度提升了15.23%、17.33%、5.57%,召回率提升了10.98%、11.52%、7.22%.本研究可为荔枝的生长监测、机械采摘和人工估产等提供技术支持.