基于YOLOX-L-TN模型的番茄果实识别

针对植物工厂对番茄采摘作业的智能化需求,为克服在采摘作业过程中因番茄果实大小不一、遮挡重叠造成的识别精度不高和速度不快的问题,提出了YOLOX-L的改进型目标识别模型YOLOX-L-TN。该模型依据特征图的通道和空间注意力机制的内部结构和原理,设计了含有残差结构的TN模块,并融入到YOLOX-L的主干网络中,在保持网络轻量化的同时,实现模型识别速度和精度的同时提升。与YOLOX-L相比,YOLOXL-TN的AP值提高了4.81个百分点,单张图像的识别时间提升了0.141 7 s,TN模块的最佳位置为输入端与主干网络之间。进一步将TN模块与类似模块SENet、CAM、CBAM和CAM进行对比,AP值分别提高0.53、4.19、6.12、6.34个百分点,单张图像识别时间分别提升0.019 1、0.025 0、0.021 1、0.018 9 s。由此可见,提出的YOLOX-L-TN模型具有精度高、识别速度快、鲁棒性高等优点,可为番茄后期的智能采摘提供技术支持。

基于YOLOX-L算法的安全帽佩戴检测方法

安全帽作为生产和作业场地工人的最基本的个体防护装备,能够极大地保证工作人员的安全防护,在实际生产环境下由于多种因素造成的伤亡中,没有佩戴安全帽造成伤亡事故的占比一直很高。为了减少相应的事故发生率,提出一种基于YOLOX-L算法的安全帽佩戴检测方法。YOLOX系列模型是当前最为先进的实时的无锚的单阶段检测器之一,在多种类别目标的检测下都具有优异的准确率和速度效果。通过使用YOLOX-L模型骨干层提取多尺度的特征图,用于回归目标位置和预测类别;使用安全帽佩戴检测数据集(SHWD),使用冻结非冻结的训练方式训练YOLOX-L网络,最后选取最好的训练模型检测安全帽的类别和位置。实验结果表明,在SHWD数据集检测任务中,相比较于YOLOv3算法,基于YOLOX-L的mAP提高了5.41%,查全率分别提高了18.51%和26.44%。所提方法在满足高准确率和实时性要求的基础上,更少发生漏检,具有更高的查全率。

基于多种深度学习算法的田间玉米籽粒检测与计数

为快速准确获取玉米收获过程中遗失籽粒数信息,进行收割损失调节等管理,对比评估了单阶段和两阶段主流目标检测网络对田间玉米籽粒计数的性能。首先,利用RGB相机获取包含不同背景和不同光照的图像数据,并进一步生成数据集;其次,构建籽粒识别的不同目标检测网络,包括Mask RCNN、EfficientDet-D5、YOLOv5-L、YOLOX-L,并利用所采集的420幅有效图像对构建的四种网络进行训练、验证、测试,图像数分别为200、40和180幅;最后,依据测试集图像的识别结果进行籽粒计数性能评价。试验结果表明,YOLOv5-L网络对测试集图像检测的平均精度为78.3%,模型尺寸仅为89.3 MB;籽粒计数的检测正确率、漏检率和F1值分别为90.7%、9.3%和91.1%,处理速度为55.55 f/s,识别与计数性能均优于Mask R-CNN、EfficientDet-D5和YOLOX-L网络,并对具有不同地表遮挡程度和籽粒聚集状态的图像具有较强的鲁棒性。深度学习目标检测网络YOLOv5-L可实现实际作业中玉米收获损失籽粒的实时监测,精度高、适用性强。