水果和蔬菜通常对人类健康很重要，因为它们富含许多营养素，包括钾、叶酸、维生素 C、膳食纤维等。随着日益增长的果蔬需求，农业机器人成为收获、修剪、局部喷施等栽培任务中的热门手段，这促进了果蔬检测图像分析和计算机视觉方法的发展。然而，复杂温室环境下的葫芦科果实时检测算法存在诸多挑战，如叶片遮挡、果实重叠、逆光、正光等等都是其中的挑战之一。与此同时，果实检测算法被期望具有通用性、轻量级、准确和快速的特点。为此，本研究提出了一种改进的YOLO序列检测算法用于温室葫芦科果实检测，并与YOLOv4、YOLOv5算法进行了比较。研究采用数码相机采集了苦瓜、黄瓜、甜瓜和博洋蜜瓜的果实图像（共2469张，分别为665、664、404和736张），其中包含叶片遮挡、果实重叠、枝干遮挡、背光、正光等各种环境条件的图像（如图1所示），并将其随即划分为训练集80%、验证集15%和测试集5%。由于轻量级的YOLOv4、YOLOv5检测速度快，本研究以此作为框架，在此基础上，Neck网络（如图3所示）采用路径聚合网络(PANet)和特征金字塔网络(FPN)分别将YOLOv4和YOLOv5的骨干残差块排列从1、2、8、8、4改进为2、3、4、3、2，F、3、9、9、3改进为F、3、4、3、2（如图2和表1所示）。结果表明，与YOLOv4和YOLOv5的Backbone相比，改进后的Backbone的检测精度更高，速度更快。添加PANet的颈部的准确度高于FPN，但FPN的检测时间较少。在所测试的改进算法中，YOLOv4RPANet检测结果的平均准确率为91.5%，平均检测时间为5.0 ms，优于YOLOv4和YOLOv5（如表2所示）。尽管存在差异，其他改进的YOLO系列检测算法也是轻量级的，在更好的泛化性、实时检测果实以及伪标签生成器方面具有巨大前景，适用于采摘/收获机器人。
图1 各种条件下的果实图像：(a)被叶片遮挡；(b)重叠；(c)被枝干遮挡；(d)b背光；(e)正光；(f)YOLO注释规则，包含对象类、坐标、高度和宽度。
图2 研究采用的改进(a)YOLOv5和 (b)YOLOv4 Backbone的果实检测算法。
图3 (a)FPN和(b)PANet的Neck网络。
表1 研究所采用的训练模型的总结
文献来源：Lawal, O.M. Real-time cucurbit fruit detection in greenhouse using improved YOLO series algorithm. Precision Agric (2023). https://doi.org/10.1007/s11119-023-10074-0
鄂公网安备42018502003245号 网站地图
