摘要：咖啡生豆的质量决定着商品咖啡豆的价格,目前对咖啡生豆的筛选主要由人工完成,费时费力。提出一种基于改进ResNet50模型来识别咖啡生豆的方法,首先收集8000张咖啡生豆图像建立数据集,并对其进行数据增强,基于ResNet50模型加入CBAM注意力机制,引入迁移学习机制,并使用深度可分离卷积来代替ResNet50残差单元中的传统卷积,构建适用于咖啡生豆分类识别的ResNet50-CBAM-DW模型。为评估模型改进的有效性,与ResNet50、AlexNet、VGG16、MobileNetV2等模型进行比较,改进后模型准确率达到91.1%,相较于原ResNet50模型准确率提升3.0%,参数量降低39.0%。

摘要：为提高对茶叶嫩芽识别的准确率,提升自动采摘机器人的工作效率,减少人工采摘成本,提出一种对茶叶嫩芽目标检测的模型。通过拍摄包含白豪早茶叶嫩芽图片,进行筛选后得到179张图像,使用Mosic数据扩增后获得716张图像,建立数据集,按照训练集、测试集和验证集7∶2∶1的比例划分数据集。针对复杂背景下茶叶嫩芽存在重叠以及遮挡所导致的识别精准度低的问题,对YOLOv5s模型进行改动,在骨干网络上增添注意力机制模块SE和CBAM进行比较;Neck网络由原来的PAFPN改为可以进行双向加权融合的BiFPN,Head结构增加浅层下采样的P2模块,提出一种茶叶嫩芽检测的模型。试验表明YOLOv5s添加SE模块结合BiFPN时模型具有更高的检测精度,并对试验结果进行十折交叉验证,相较于基线精确率提高10.46%,达到88.30%,平均精度均值mAP提高6.47%,达到85.83%。最后使用相同的数据集和预处理方法对比YOLOv5m、Faster R-CNN和YOLOv4-tiny,证明该试验方法综合强于其他经典深度学习方法,能更有效地提升茶叶嫩芽检测精准度,可以为茶叶自动采摘机器人提供理论依据。

摘要：[目的/意义]针对当前玫瑰鲜切花分级仍依赖人工进行简单分级,造成效率低、准确率低等问题,提出一种新的模型Flower-YOLOv8s来实现玫瑰鲜切花的分级检测。[方法]以单一背景下单支玫瑰花的花头作为检测目标,将鲜切花分为A、B、C、D四个等级,对YOLOv8s(You Only Look Once version 8 small)模型进行了优化改进。首先,构建了一个全新的玫瑰鲜切花分级检测数据集。其次,在YOLOv8s的骨干网络分别添加CBAM(Con⁃volutional Block Attention Module)和SAM(Spatial Attion Module)两个注意力机制模块进行对比实验;选择SAM模块并对其进一步优化,针对模型轻量化需求,再结合深度可分离卷积模块一起添加到C2f结构中,形成Flower-YOLOv8s模型。[结果和讨论]从实验结果来看YOLOv8s添加SAM的模型具有更高的检测精度,mAP@0.5达到86.4%。Flower-YOLOv8s相较于基线模型精确率提高了2.1%,达到97.4%,平均精度均值(mAP)提高了0.7%,同时降低了模型参数和计算量,分别降低2.26 M和4.45 MB;最后使用相同的数据集和预处理方法与Fast-RCNN、Faster-RCNN、SSD、YOLOv3、YOLOv5s和YOLOv8s进行对比实验,证明所提出的实验方法综合强于其他经典YOLO模型。[结论]提出的基于改进YOLOv8s的玫瑰鲜切花分级方法研究能有效提升玫瑰鲜切花分级检测的精准度,为玫瑰鲜切花分级检测技术提供一定的参考价值。