采用天气增强与八度卷积改进YOLOv5的番茄检测模型构建
代国威1
樊景超2
胡林2
1.中国农业科学院农业信息研究所/国家农业科学数据中心,北京 1000812.中国农业科学院农业信息研究所/国家农业科学数据中心,北京 100081;中国农业科学院国家南繁研究院,海南 三亚 572024
摘要：温室番茄的自动检测对于降低成本和优化管理至关重要.为实现温室番茄采收过程的自动化,我们提出了一种基于八度卷积与注意力机制改进YOLOv5的温室番茄检测方法.首先,利用八度卷积提取图像的高低频特征信息,压缩低频特征图的空间分辨率以减少冗余空间信息,有效地将感受野扩大了2倍,并降低了模型的参数与浮点计算量;其次,将注意力机制(CBAM)融入特征提取网络Backbone中,以从复杂的背景颜色中提取更易区分的特征模式;然后,使用雨滴变换、雾气变换、太阳光照变换、阴影变换4种天气增强技术,增强数据集的多样性与模型的鲁棒性;最后,采用BCEWithLogitLoss损失函数使处理样本不均衡,并由SmoothBCE与QFocalLoss克服模型过拟合.采用从智能温室中拍摄的实际图像数据建立数据集,并对数据进行标注扩充,将样本容量扩至1150幅图像,对提出的模型进行验证.结果表明,该模型的平均准确率和检测时间分别为94.58％和21 ms.与Faster R-CNN、SSD、YOLOv3、YOLOv4、YOLOX和原始YOLOv5网络相比,该模型在智能温室环境下的番茄检测中取得了最佳性能,可为番茄采摘机器人的高效运行提供稳定可靠的信息.
关键词：机器视觉目标检测番茄八度卷积YOLOv5注意力机制天气增强
分类号：S641.2(园艺)TP391(计算技术、计算机技术)
资助基金：国家重点研发计划(2019YFFO216202)
论文发表日期：2022-11-28
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：12( 138-149 )
英文信息