摘要
为实现冬枣园机械化自动化采摘以及冬枣树精准化管理,针对自然场景下冬枣果实的快速、准确分类识别问题,提出一种基于YOLO v4模型改进的冬枣果实分类识别模型CC-YOLO v4.利用改进的CSP跨阶段部分连接结构和多尺度特征融合的CBAM卷积注意力模块,减小网络规模的同时增强特征提取能力,改善果实分类识别的误检和遮挡目标的漏检情况;采用Softmax交叉熵损失函数代替Sigmoid二元交叉熵损失函数作为分类损失函数,引入EIoU损失函数代替CIoU损失函数作为边界框回归损失,进一步改善果实分类识别的误检并提升预测框精度.试验结果表明,CC-YOLO v4模型对3类冬枣果实的查准率P均值为81.86％,平均检测精度均值mAP为82.46％,IoU均值为81.35％,模型参数量和大小分别为26.9 M和108 MB,检测速度可达28.8 F/s.与其他模型相比,本模型具有更好的分类识别能力、识别速度和较小的模型复杂度.在不同果实数量情况下进一步试验,本研究方法具有良好的精度和鲁棒性,对解决自然场景下冬枣果实的精准分类识别问题具有重要参考价值.
维普
万方数据