基于改進(jìn)的YOLO系列算法的溫室葫蘆科果實(shí)實(shí)時(shí)檢測(cè)

   基于改進(jìn)的YOLO系列算法的溫室葫蘆科果實(shí)實(shí)時(shí)檢測(cè)

水果和蔬菜通常對(duì)人類健康很重要，因?yàn)樗鼈兏缓S多營(yíng)養(yǎng)素，包括鉀、葉酸、維生素 C、膳食纖維等。隨著日益增長(zhǎng)的果蔬需求，農(nóng)業(yè)機(jī)器人成為收獲、修剪、

局部噴施等栽培任務(wù)中的熱門手段，這促進(jìn)了果蔬檢測(cè)圖像分析和計(jì)算機(jī)視覺(jué)方法的發(fā)展。然而，復(fù)雜溫室環(huán)境下的葫蘆科果實(shí)時(shí)檢測(cè)算法存在諸多挑戰(zhàn)，

如葉片遮擋、果實(shí)重疊、逆光、正光等等都是其中的挑戰(zhàn)之一。與此同時(shí)，果實(shí)檢測(cè)算法被期望具有通用性、輕量級(jí)、準(zhǔn)確和快速的特點(diǎn)。

為此，本研究提出了一種改進(jìn)的YOLO序列檢測(cè)算法用于溫室葫蘆科果實(shí)檢測(cè)，并與YOLOv4、YOLOv5算法進(jìn)行了比較。研究采用高光譜相機(jī)采集了苦瓜、黃瓜、甜瓜和博洋蜜瓜的果實(shí)圖像（共2469張，分別為665、664、404和736張），其中包含葉片遮擋、果實(shí)重疊、枝干遮擋、背光、正光等各種環(huán)境條件的圖像（如圖1所示），

并將其隨即劃分為訓(xùn)練集80%、驗(yàn)證集15%和測(cè)試集5%。由于輕量級(jí)的YOLOv4、YOLOv5檢測(cè)速度快，本研究以此作為框架，在此基礎(chǔ)上，Neck網(wǎng)絡(luò)

（如圖3所示）采用路徑聚合網(wǎng)絡(luò)(PANet)和特征金字塔網(wǎng)絡(luò)(FPN)分別將YOLOv4和YOLOv5的骨干殘差塊排列從1、2、8、8、4改進(jìn)為2、3、4、3、2，F(xiàn)、3、9、9、3改進(jìn)為F、3、4、3、2（如圖2和表1所示）。結(jié)果表明，與YOLOv4和YOLOv5的Backbone相比，改進(jìn)后的Backbone的檢測(cè)精度更高，速度更快。添加PANet的頸部的準(zhǔn)確度高于FPN，但FPN的檢測(cè)時(shí)間較少。在所測(cè)試的改進(jìn)算法中，YOLOv4RPANet檢測(cè)結(jié)果的平均準(zhǔn)確率為91.5%，平均檢測(cè)時(shí)間為5.0 ms，優(yōu)于YOLOv4和YOLOv5（如表2所示）。盡管存在差異，其他改進(jìn)的YOLO系列檢測(cè)算法也是輕量級(jí)的，在更好的泛化性、實(shí)時(shí)檢測(cè)果實(shí)以及偽標(biāo)簽生成器方面具有巨大前景，適用于采摘/收獲機(jī)器人。

                           圖1 各種條件下的果實(shí)圖像：(a)被葉片遮擋；(b)重疊；(c)被枝干遮擋；(d)b背光；(e)正光；(f)YOLO注釋規(guī)則，包含對(duì)象類、坐標(biāo)、高度和寬度。

                                                                             圖2 研究采用的改進(jìn)(a)YOLOv5和 (b)YOLOv4 Backbone的果實(shí)檢測(cè)算法。

                                                                                                     圖3 (a)FPN和(b)PANet的Neck網(wǎng)絡(luò)。

                                                                                                   表1 研究所采用的訓(xùn)練模型的總結(jié)

                                                                                                            表2 YOLO系列檢測(cè)算法的平均結(jié)果