基于改进YOLOv7的苹果生长状态及姿态识别OA北大核心CSTPCD
针对目前苹果在复杂环境下难以进行生长状态分类识别、姿态信息同步获取等问题,该研究提出了一种基于改进YOLOv7的苹果生长状态分类和果实姿态融合识别方法。首先改进多尺度特征融合网络,在骨干网络中增加160×160的特征尺度层,用于增强模型对微小局部特征的识别敏感度;其次引入注意力机制CBAM(convolutional block attention module),改善网络对输入图片的感兴趣目标区域的关注度;最后采用Soft-NMS算法,能够有效避免高密度重叠目标被一次抑制从而发生漏检现象。此外,结合UNet分割网络和最小外接圆及矩形特征获取未遮挡苹果姿态。试验结果表明,改进YOLOv7的识别精确率、召回率和平均识别精度分别为86.9%、80.5%和87.1%,相比原始YOLOv7模型分别提高了4.2、2.2和3.7个百分点,另外苹果姿态检测方法的准确率为94%。该文模型能够实现苹果生长状态分类及果实姿态识别,可为末端执行器提供了抓取方向,以期为苹果无损高效的采摘奠定基础。
陈青;殷程凯;郭自良;吴玄博;王金鹏;周宏平;
南京林业大学林业资源高效加工利用协同创新中心,南京210037 南京林业大学机械电子工程学院,南京210037南京林业大学机械电子工程学院,南京210037
农业工程
图像处理YOLOv7分类识别姿态识别深度学习苹果
《农业工程学报》 2024 (006)
P.258-266 / 9
江苏省重点研发计划项目(BE2021016);江苏省现代农机装备与技术示范推广项目(NJ2021-18)。
评论