English
分享
扫码分享
English
农业农村部主管 农业农村部南京农业机械化研究所主办
ISSN 2096-7217 CN 32-1887/S2
论文检索
引文检索
站内检索
高级检索
Toggle navigation
智能化农业装备学报(中英文)
主办单位
首页
关于期刊
期刊介绍
编委会
开放获取声明
道德声明
学术不端界定
期刊导航
最新录用
当期目录
过刊浏览
热点文章
专辑专题
引用排行
点击排行
下载排行
作者中心
在线投稿
投稿须知
同行评审
著作权转让协议
资费标准
下载中心
审稿中心
专家在线审稿
编辑在线办公
主编在线办公
收录网站
中国知网
万方数据
维普网
超星期刊
业务合作
支持单位
广告合作
联系我们
联系我们
期刊订阅
检索结果
期刊
出版年
关键词
结果中检索
(((卢清华[Author]) AND 1[Journal]) AND year[Order])
AND
OR
NOT
文题
作者
作者单位
关键词
摘要
分类号
DOI
Please wait a minute...
全选
下载引用
EndNote
Reference Manager
ProCite
BibTeX
RefWorks
显示/隐藏图片
Select
基于改进YOLO-v4的果园环境下葡萄检测
肖张娜, 罗陆锋, 陈明猷, 王金海, 卢清华, 骆少明
智能化农业装备学报(中英文) 2023, 4 (2): 35-43. DOI:
10.12398/j.issn.2096-7217.2023.02.004
摘要
(
328
)
PDF
(42180KB)(
187
)
可视化
针对果园环境下葡萄生长场景复杂多变,葡萄机器人难以根据视觉检测结果制定无碰撞采摘策略的问题,提出了一种基于改进YOLO-v4的不同遮挡状态葡萄检测方法。首先,根据果园环境下葡萄的生长场景状态,将葡萄分别标记为4种类型:无遮挡葡萄,叶片遮挡葡萄,枝干遮挡葡萄,重叠遮挡葡萄;然后采用YOLO-v4框架作为检测模型,将注意力机制模型(CBAM)分别嵌入YOLO-v4框架中的主干网络(CSPDarknet53,YOLO-C-C)和路径聚合网络(PANet,YOLO-C-P),通过对CSPDarknet53和PANet网络特征提取过程进行目标注意,增强网络对葡萄特征的提取能力,降低复杂场景的干扰,以期达到果园环境下不同遮挡葡萄的高精确度检测;最后通过比较YOLO-C-C和YOLO-C-P网络的识别精确度与F1得分,得到最适合果园遮挡场景下的葡萄检测模型YOLO-C-P。对该方法的性能评估及与其他算法对比试验结果表明,YOLO-C-P模型对无遮挡、叶片遮挡、枝干遮挡、重叠遮挡的葡萄检测精确度分别为91.26%、92.47%、92.41%、90.65%,平均F1得分为91.71%;与同系列模型YOLO-v4、YOLO-X-X、YOLO-v5-X相比,F1得分分别提升了12.62、8.65、5.31个百分点。平均识别一幅图像的时间为0.13 s。该研究能够快速、有效识别无遮挡、叶片遮挡、枝干遮挡、重叠遮挡情况下的葡萄,可帮助机器人制定果园环境下的采摘策略(采摘顺序和路径规划),以避免因遮挡导致的碰撞造成采摘失败,为葡萄机器人提供了一种果园采摘辅助决策方法。
参考文献
|
相关文章
|
相关统计