为在自然环境下准确地识别和检测香梨果实,以YOLO v7为基础网络模型,针对果园中香梨果实、果叶、枝干之间相互遮挡问题,提出一种改进的轻量化YOLO v7梨果目标检测方法.该方法将MobileNet v3引入YOLO v7模型中作为其骨干特征提取网络,从而减少网络的参数量,使其更容易部署在移动端和生产实际,在特征融合层引入协同注意力机制CA(coordinate attention)模块,以提高网络的特征表达能力,将原YOLO v7中的损失函数CIoU替换为SIoU,从而提高模型的检测速度和性能.最后利用Grad-CAM方法产生目标检测热力图,进行特征可视化.结果表明,改进的轻量化YOLO v7模型的平均精度均值(mAP)、精确率、召回率指标分别为96.33％、94.36％、89.28％,检测速度为87.71(帧/s),模型内存占用量与原YOLO v7相比减少21.45 MB;其检测平均精度均值(mAP)与Faster R-CNN、YOLO v3、MobileNet v3-YOLO v4、YOLO v5s、YOLO v7 模型相比分别提高 28.37、9.66、13.14、4.58、3.20 百分点.研究表明,改进的轻量化YOLO v7模型对成熟期香梨具有很好的目标检测效果和鲁棒性,可为香梨自动化采摘提供有效的技术支持.
万方数据
维普
