基于改进YOLOv4的果园柑橘检测方法研究

摘要

水果的自动检测是自动采摘、果园喷药、采后分拣等农业应用中的关键技术。针对果园环境中柑橘目标小、噪声多、遮挡严重等问题,本文基于YOLOv4算法提出一种改进的适用于果园环境的柑橘快速识别方法。主要改进措施包括:一是在训练阶段利用Canopy算法和K-Means++算法自动选择先验框的数目和大小;二是在YOLOv4网络中每个不同尺度特征的输出层前增加一个调整层,并采用残差网络结构和密集连接网络相结合,同时修改回归框损失函数,以便检测复杂背景下的小柑橘;三是在保证不造成较大检测精度损失的前提下,对网络中不重要的通道和网络层进行剪枝。与目前常用的YOLOv4、MLKP和Cascade R-CNN等3种目标检测算法的对比实验结果表明,本文改进的YOLOv4算法对果园环境下不同生长期柑橘的检测平均准确率达96.04%,平均检测速度为每张图像0.06 s,均优于对比的3种主流目标检测算法。本文提出的方法可为自然条件下果园中柑橘的采摘、产量评估等应用提供技术和方法指导。

关键词

柑橘识别 / 小目标检测 / 深度学习 / 改进YOLOv4 / 卷积神经网络