基于Ghost-CA-YOLOv4的果园障碍物检测算法

针对无人农机在复杂果园环境中检测障碍物存在实时性、精确性不足的问题,提出基于YOLOv4改进的Ghost-CA-YOLOv4果园障碍物检测算法。选用轻量化网络GhostNet作为主干特征提取网络,在GhostNet中引入注意力机制(CA)对空间信息和通道信息进行融合,提升目标关注度。同时,使用Soft-CIoU-NMS算法增强在目标密集或重叠时的检测效果。自制的果园障碍物数据集实验表明,所提算法的mAP值达到90.75%,在检测精度保持不变的情况下,模型大小压缩为传统YOLOv4模型的18.24%,FPS为45,可更好地为无人农机作业提供安全保障。