摘要
随着人工智能技术的发展，智慧农业的现代化时代已经来临，深度学习技术在计算机视觉应用领域已经成为了智慧农业的主要研发方向，基于深度学习技术的目标检测算法当前发展极其迅速，准确率也在持续提高，对水果成熟度的检测已经取得了广泛的应用。但对樱桃成熟度检测在复杂环境下研究较少且准确率不高。如光线不足，树叶遮挡，果实之间互相遮挡等问题，对模型的训练造成了不良的影响。因此，本文以复杂自然环境下的樱桃图片为研究对象，采用自己采集的樱桃数据集，为了提高模型对樱桃成熟度检测的准确分类和定位，利用两种不同的基于YOLOv7的方法进行改进，使其可以更好的应用于樱桃成熟度检测中。本文工作内容具体如下: (1)针对基线模型对于未成熟的樱桃成熟度检测准确率不高的问题，提出方案，具体将YOLOv7的ELAN模块换成了CSPNeXt模块，还加入卷积模块，实验结果表明本文提出的方法获得了更高的准确度，并通过对比实验进一步验证了模型效果，具体提升了6％。YOLOv7通过更大的大卷积核增大感受野的方式使模型在樱桃成熟度数据集中获得了良好客观的提升。 (2)针对基线模型对于较难检测的半熟时期的樱桃成熟度检测准确率不高的问题，提出方案，具体借鉴表现较强的几种卷积神经网络、transformer等思路，提出方案，将ConvNeXt网络融合至YOLOv7模型，实验结果表明提出的方法提高了半熟时期的樱桃检测效果，并通过对比实验进一步验证了模型效果，具体提升了1％,在不成熟标签的分类检测中提升明显，提升了7％的准确率。而且根据训练曲线可知，在200轮次之后，四项曲线均随着训练次数的迭代呈现稳步上升的趋势，模型呈现出收敛状态。相较于基线模型可以直观地判断，此改进还提升了训练稳定性。 经过实验结果可知，本文提出的方法在复杂环境下对水果成熟度检测研究中可以有效解决相关问题，还有比较好的性能，为水果成熟度检测提供了新的方法。在未来，致力于将其用于果园水果生长成熟度实时检测，能够有效的提高水果生产效率和利益，增加模型的实用价值，减少果园的人力成本。
NETL