基于改进YOLOv7算法的自然环境下柑橘缺陷检测

摘要

【目的】柑橘缺陷识别是实现柑橘果实自动采摘、把控柑橘果实品质的关键环节。本研究致力于提高自然环境下的柑橘缺陷识别精度，实现智能采摘的全天候作业。【方法】通过对关键模块进行优化，提出改进的YOLOv7算法，具体做法包括引入完全交并比(Complete intersection over union, CIoU)损失函数提升边界框回归精度；采用HardSwish激活函数增强网络学习与计算效率；融合无注意力机制(Attention free transformer,AFT)强化目标特征识别；结合残差多层感知机(Residual multi-layer perceptron, ResMLP)和动态卷积(Dynamic convolution, DC)技术，提高模型在复杂光照下的适应性与稳定性。【结果】利用双光源系统，该算法可实现自然环境下柑橘果实和缺陷的全天候检测，在自然光或白光下能检测黑斑、裂纹等缺陷；在夜间可将紫光作为补充手段，基于荧光反应检测在白光或自然光下不明显的缺陷。试验结果表明，改进后的YOLOv7算法，在日间对柑橘及缺陷的识别精度分别达97.9%和92.8%，比原算法提升3.8和13.4个百分点；在夜间对缺陷识别精度为82.4%。【结论】本文提出的柑橘缺陷识别方法准确率高、适用时段广，可为柑橘产业采摘智能化提供新思路。

关键词

机器视觉 / 目标检测 / 柑橘缺陷 / YOLOv7 / 缺陷检测