基于改进YOLO v4和ICNet的番茄串检测模型

作     者：刘建航 何鉴恒 陈海华 王晓政 翟海滨 LIU Jianhang;HE Jianheng;CHEN Haihua;WANG Xiaozheng;ZHAI Haibin

作者机构：中国石油大学(华东)海洋与空间信息学院青岛266555 中国科学院计算技术研究所北京100094 国家计算机网络应急技术处理协调中心北京100029 

基　　金：山东省自然科学基金项目(ZR2020MF005) 

出 版 物：《农业机械学报》 (Transactions of the Chinese Society for Agricultural Machinery)

年 卷 期：2023年第54卷第10期

页      码：216-224,254页

摘      要：针对深层神经网络模型部署到番茄串采摘机器人,存在运行速度慢,对目标识别率低,定位不准确等问题,本文提出并验证了一种高效的番茄串检测模型。模型由目标检测与语义分割两部分组成。目标检测负责提取番茄串所在的矩形区域,利用语义分割算法在感兴趣区域内获取番茄茎位置。在番茄检测模块,设计了一种基于深度卷积结构的主干网络,在实现模型参数稀疏性的同时提高目标的识别精度,采用K-means++聚类算法获得先验框,并改进了DIoU距离计算公式,进而获得更为紧凑的轻量级检测模型(DC-YOLO v4)。在番茄茎语义分割模块(ICNet)中以MobileNetv2为主干网络,减少参数计算量,提高模型运算速度。将采摘模型部署在番茄串采摘机器人上进行验证。采用自制番茄数据集进行测试,结果表明,DC-YOLO v4对番茄及番茄串的平均检测精度为99.31%,比YOLO v4提高2.04个百分点。语义分割模块的mIoU为81.63%,mPA为91.87%,比传统ICNet的mIoU提高2.19个百分点,mPA提高1.47个百分点。对番茄串的准确采摘率为84.8%,完成一次采摘作业耗时约6 s。

主 题 词：番茄串 采摘机器人 深度学习 YOLO v4 ICNet 采摘模型 

学科分类：1305[艺术学-设计学类] 13[艺术学] 081104[081104] 08[工学] 0804[工学-材料学] 081101[081101] 0811[工学-水利类] 

核心收录：

D　O　I：10.6041/j.issn.1000-1298.2023.10.021

馆 藏 号：203124221...