基于PCIA-YOLO的复杂环境下草莓成熟度轻量化检测方法

摘要

[目的]为了解决在复杂环境下不同成熟度草莓目标检测精度较低的问题，实现复杂环境下的草莓成熟度快速检测，本文提出了一种草莓成熟度检测模型PCIA-YOLO。[方法]首先，在Backbone中将部分C2f模块替换为引入部分卷积(PConv)的C3-PConv模块，减少卷积过程中的浮点数和计算量;其次，引入联系上下文的自注意力机制(Co T)到C2f模块中，增强特征提取能力，进而提升输出特征的表达能力;然后，更改边界框损失函数为基于辅助边框的Io U损失(InnerIo U)，提高模型收敛速度，降低损失，提升模型检测性能;最后，增加自适应样本选择机制(ATSS)，根据研究目标自动选择正负样本，进一步提升模型检测性能。[结果]试验结果表明，PCIA-YOLO模型的权重仅为5.30 MB，准确率、召回率、平均精度均值m AP＿0.5和m AP＿0.5:0.95分别为94.90%、93.20%、97.10%和74.10%;相比原基础模型YOLOv8n，模型权重减少0.64 MB，准确率、召回率和平均精度均值m AP＿0.5和m AP＿0.5:0.95分别提高4.00%、7.30%、5.60%和8.90%。[结论]改进的轻量化模型能够快速准确地检测复杂环境下不同成熟度的草莓，更加适合部署在嵌入式设备上，可为智能化收获过程中的成熟草莓识别提供技术基础。

关键词

草莓 / 成熟度检测 / 深度学习 / 轻量化 / PCIA-YOLO

基金资助

安徽省重点研发计划项目(202104a06020012); 安徽省研究生专业学位教学案例库(2022zyxwjxalk048)