基于 YOLOv4 的 草莓目標(biāo)檢測(cè)技術(shù)研究 金 林華 柳凱玲 鄒家正 盧仁俊 崔 明 江蘇農(nóng)林職業(yè)技術(shù)學(xué)院 江 蘇鎮(zhèn)江 212400 摘 要 草莓目標(biāo)檢測(cè)對(duì)草莓智能化監(jiān)測(cè)和自動(dòng)化采摘具有非常重要的意義 本文提出了一種基于 YOLOv4 的草莓目標(biāo)檢測(cè)方法 針對(duì)復(fù)雜環(huán)境下采集 到的草莓?dāng)?shù)據(jù)集 首先采用 LabelImg 進(jìn)行數(shù)據(jù)類(lèi)型標(biāo)注 然 后采用 改進(jìn)的 Kmeans 聚類(lèi)算法進(jìn)行先驗(yàn)框尺 寸的計(jì)算 最后采用分階段訓(xùn)練方法對(duì)搭建的 YOLOv4 模型進(jìn)行訓(xùn)練和 模 型評(píng)估 結(jié)果表明 該方法的測(cè)試集平均精度均值達(dá)到 97 05 單 張圖像檢測(cè)時(shí)間平均為 74 ms 能 夠滿(mǎn)足草 莓的高精度實(shí)時(shí)檢測(cè)需求 關(guān)鍵詞 草莓 目標(biāo)檢測(cè) YOLOv4 平 均精度 中圖分類(lèi)號(hào) TP391 文 獻(xiàn)標(biāo)識(shí)碼 A 文 章編號(hào) 1007 5739 2023 01 0119 04 DOI 10 3969 j issn 1007 5739 2023 01 031 開(kāi) 放科學(xué) 資源服務(wù) 標(biāo)識(shí)碼 OSID 隨 著我國(guó)設(shè)施農(nóng)業(yè)的快速發(fā)展 智能化信息監(jiān) 測(cè)和自動(dòng)采摘成為草莓設(shè)施產(chǎn)業(yè)的主要研究方向 在草莓智能化監(jiān)測(cè)控制中 草莓目標(biāo)檢測(cè)可以為草 莓生長(zhǎng)過(guò)程中的狀態(tài)監(jiān)測(cè) 病蟲(chóng)害檢測(cè)和產(chǎn)量預(yù)測(cè) 提供先驗(yàn)信息 是草莓智能化信息監(jiān)測(cè)的關(guān)鍵技術(shù) 草莓自動(dòng)采摘機(jī)器人在工作過(guò)程中需要進(jìn)行目標(biāo)識(shí) 別和目標(biāo)定位兩個(gè)步驟 其中成熟草莓目標(biāo)識(shí)別是 目標(biāo)定位的前提 直接影響后續(xù)的采摘精度 因此 草莓目標(biāo)檢測(cè)能夠?yàn)椴葺L(zhǎng)狀態(tài)分析和目標(biāo)定位 提供技術(shù)支持 對(duì)草莓產(chǎn)業(yè)智能化發(fā)展具有非常重 要的意義 當(dāng)前國(guó)內(nèi)外針對(duì)草莓目標(biāo)檢測(cè)已經(jīng)取得了一定 的成果 李鑫 1 提 出了一種基于 CaffeNet 網(wǎng) 絡(luò)的草莓 目標(biāo)識(shí)別方法 試驗(yàn)結(jié)果表明 所采用方法的平均識(shí) 別率和耗時(shí)均優(yōu)于基于 HOG 特 征的 SVM 識(shí) 別算 法 閆元 2 針 對(duì)草莓采摘機(jī)器人的目標(biāo)識(shí)別問(wèn)題 采 用 Inception v2 網(wǎng) 絡(luò)進(jìn)行特征參數(shù)提取 并利用 Faster RCNN 網(wǎng) 絡(luò)進(jìn)行目標(biāo)檢測(cè) 試驗(yàn)結(jié)果表明 草 莓平均識(shí)別精度為 85 32 單 次識(shí)別時(shí)間達(dá) 0 16 s 錢(qián) 文秀等 3 針 對(duì)草莓多級(jí)分類(lèi)及遮擋情況下的檢測(cè) 問(wèn)題進(jìn)行了研究 提出了一種基于短連接深度監(jiān)督 顯著目標(biāo)檢測(cè)算法的草莓分割方法 對(duì)草莓遮擋和 環(huán)境光線(xiàn)變化具有較高的自適應(yīng)性 高凡 4 提 出了一 種改進(jìn)的 YOLOv3 草 莓目標(biāo)檢測(cè)方法 提高了細(xì)節(jié) 信息的特征提取能力 試驗(yàn)結(jié)果表明 該方法對(duì)小目 標(biāo)和光照變化具有較高的自適應(yīng)性 陳楊 5 提 出了一 種基于 Straw R CNN 的 草莓目標(biāo)檢測(cè)方法 采用金 字塔型特征網(wǎng)絡(luò)提取和 ROI Aline 層 方法 提升了草 莓果實(shí)和花朵小尺寸目標(biāo)的檢測(cè)精度 雖然當(dāng)前針對(duì)草莓目標(biāo)檢測(cè)的研究已經(jīng)取得了 一定的進(jìn)展 但主要停留在理論研究層面 且模型算 法對(duì)復(fù)雜生長(zhǎng)環(huán)境下草莓遮擋 重疊等情況的檢測(cè) 精度不高 本文針對(duì)草莓目標(biāo)檢測(cè)問(wèn)題進(jìn)行研究 提 出了一種基于 YOLOv4 卷 積神經(jīng)網(wǎng)絡(luò)模型的草莓目 標(biāo)檢測(cè)方法 以實(shí)現(xiàn)對(duì)草莓目標(biāo)的快速 精確檢測(cè) 以期為草莓采摘機(jī)器人和智能化監(jiān)測(cè)提供精確的目 標(biāo)信息 1 研 究方法 1 1 檢 測(cè)算法 1 1 1 目 標(biāo)檢測(cè)算法 隨著圖像處理和深度學(xué)習(xí)技 術(shù)的快速發(fā)展 目標(biāo)檢測(cè)算法逐漸由傳統(tǒng)的人工特 征提取向卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)方法轉(zhuǎn)變 在傳統(tǒng)的目 基 金項(xiàng)目 2021 年 江蘇省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目 202113103037Y 江蘇農(nóng)林職業(yè)技術(shù)學(xué)院創(chuàng)新 訓(xùn)練項(xiàng)目 基于 LoRa 的 智能農(nóng)業(yè)灌溉系統(tǒng)設(shè)計(jì) 202113103044y 通 信作者 收稿日期 2022 04 28 現(xiàn) 代農(nóng)業(yè)科技 2023 年 第 1 期 農(nóng)業(yè)工程學(xué) 119 現(xiàn)代 農(nóng)業(yè)科技 2023 年 第 1 期農(nóng)業(yè)工程學(xué) 標(biāo)檢測(cè)方法中 常用的特征提取方法主要依據(jù)人類(lèi) 的經(jīng)驗(yàn)進(jìn)行 主要特征類(lèi)型包括圖像的顏色 形狀 紋理 HOG 特 征等信息 并結(jié)合 SVM 等 機(jī)器學(xué)習(xí)和 分類(lèi)方法進(jìn)行最終的目標(biāo)識(shí)別 傳統(tǒng)的目標(biāo)檢測(cè)方 法由于主要依賴(lài)人類(lèi)的經(jīng)驗(yàn)進(jìn)行特征提取 特征信 息不夠全面 對(duì)復(fù)雜環(huán)境下的檢測(cè)自適應(yīng)性較低 且 在識(shí)別過(guò)程中所采用的滑動(dòng)窗口區(qū)域檢測(cè)方法耗時(shí) 較長(zhǎng) 相對(duì)于傳統(tǒng)目標(biāo)檢測(cè)方法 卷積神經(jīng)網(wǎng)絡(luò)算法 依托搭建好的模型實(shí)現(xiàn)特征的自動(dòng)提取 特征提取 能力進(jìn)一步增強(qiáng) 當(dāng)前的卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)方 法主要分為單步法和兩步法 2 種 類(lèi)型 單步法直接 對(duì)特征提取后的圖像進(jìn)行目標(biāo)分類(lèi)與回歸 而兩步 法分為候選區(qū)域提取和目標(biāo)分類(lèi)與回歸兩個(gè)步驟 兩步法首先進(jìn)行候選區(qū)域提取 在此基礎(chǔ)上進(jìn)一步 進(jìn)行目標(biāo)的分類(lèi)和回歸 提高了目標(biāo)檢測(cè)的精度 但 耗時(shí)較長(zhǎng) 典型的兩步目標(biāo)檢測(cè)方法包括 RCNN Faster RCNN 等 與 兩步法相比 單步法的檢測(cè)速度 更快 其直接對(duì)圖像進(jìn)行特征提取和分類(lèi)回歸 但檢 測(cè)精度受到一定的制約 典型的單步目標(biāo)檢測(cè)方法 包括 SSD YOLO 等 1 1 2 YOLOv4 目 標(biāo)檢測(cè)方法 作為一種經(jīng)典的單步 法目標(biāo)檢測(cè)模型 YOLO 檢 測(cè)算法經(jīng)歷了 YOLOv1 YOLOv2 YOLOv3 YOLOv4 等 發(fā)展階段 成為目標(biāo)檢 測(cè)方法的主要發(fā)展方向之一 6 因 為 YOLO 系 列屬于 單階段目標(biāo)檢測(cè) 所以具有較快的識(shí)別速度 能夠更 好地滿(mǎn)足實(shí)時(shí)性需求 隨著 YOLOv3 算 法的出現(xiàn) YOLO 系 列的檢測(cè)算法以其優(yōu)異的檢測(cè)特性成為主 流目標(biāo)檢測(cè)算法之一 YOLOv3 算 法采用 DarkNet53 網(wǎng) 絡(luò)作為主干特征提取網(wǎng)絡(luò) 對(duì)輸入圖像進(jìn)行了 5 次 下 采樣 通過(guò)引入殘差模塊緩解了模型訓(xùn)練過(guò)程 中的梯度消失問(wèn)題 在特征提取方面 YOLOv3 算 法 采用特征金字塔結(jié)構(gòu)提取了 3 個(gè) 特征層的參數(shù)信 息 并進(jìn)行了特征融合 提升了網(wǎng)絡(luò)模型的特征提取 能力 為了更好地平衡目標(biāo)檢測(cè)精度和速度 YOLOv4 模 型對(duì) YOLOv3 模 型進(jìn)行了進(jìn)一步改進(jìn) 在主干特征 提取網(wǎng)絡(luò)方面 YOLOv4 模 型采用 CSPDarkNet53 替 代 DarkNet53 網(wǎng) 絡(luò) 通過(guò)引入 CSPnet 結(jié) 構(gòu)和 Mish 激 活函 數(shù)進(jìn)一步提升了模型的特征提取能力 在特征 金字塔方面 YOLOv4 模 型在 YOLOv3 模 型的基礎(chǔ) 上 采用 SPP 和 PANet 結(jié) 構(gòu) 其中 PANet 結(jié) 構(gòu)實(shí)現(xiàn)了 不同層數(shù)下特征信息的反復(fù)提取和深度融合 SPP 結(jié)構(gòu) 通過(guò)多尺度最大池化處理進(jìn)一步增加了特征金 字塔中每一層的感受野 提高了每一層的特征融合 度和信息量 在模型訓(xùn)練方面 YOLOv4 模 型采用 Mosaic 數(shù) 據(jù)增強(qiáng)方法 進(jìn)一步豐富了數(shù)據(jù)集模型 在 損失函數(shù)計(jì)算方面 YOLOv4 模 型提出了對(duì)物體尺寸 變化和重疊更敏感的 CIOU 算 法 進(jìn)一步減少了訓(xùn) 練過(guò)程中的模型發(fā)散問(wèn)題 為了優(yōu)化訓(xùn)練過(guò)程 YOLOv4 模 型采用了余弦退火衰減方法 進(jìn)一步降低 了模型訓(xùn)練中陷入局部極小值的風(fēng)險(xiǎn) 為了減少模 型訓(xùn)練中的過(guò)擬合現(xiàn)象 YOLOv4 模 型采用了 Label Smoothing 平 滑方法 在損失函數(shù)計(jì)算方面 YOLOv4 模型主要包括 回歸損失 分類(lèi)損失以及置信度損失等 3 個(gè) 部分 其中回歸損失采用 CIOU 算 法對(duì)正樣本進(jìn) 行計(jì)算 分類(lèi)損失是實(shí)際存在目標(biāo)預(yù)測(cè)類(lèi)與真實(shí)類(lèi) 之間的差距 置信度損失包括兩部分內(nèi)容 一部分為 實(shí)際存在目標(biāo)預(yù)測(cè)結(jié)果的置信度 另一部分為實(shí)際 不存在目標(biāo)預(yù)測(cè)結(jié)果的置信度 在模型預(yù)測(cè)過(guò)程中 YOLOv4 將 圖像劃分成 S S 的 網(wǎng)格 每個(gè)網(wǎng)格點(diǎn)負(fù) 責(zé)一個(gè)區(qū)域的檢測(cè) 輸出檢測(cè)框的位置坐標(biāo) 置信度 和分類(lèi)概率預(yù)測(cè)結(jié)果 其中 位置坐標(biāo)為目標(biāo)相對(duì)網(wǎng) 格點(diǎn)位置的偏移量 且位置坐標(biāo)加上網(wǎng)格點(diǎn)即為預(yù) 測(cè)框的中心位置坐標(biāo) 經(jīng)過(guò)預(yù)測(cè)得到的單網(wǎng)格輸出 預(yù)測(cè)值數(shù)量為 B 4 1 C 其中 B 為 單網(wǎng)格輸出的 檢測(cè)框個(gè)數(shù) C 為 目標(biāo)的類(lèi)型個(gè)數(shù) 輸出的矢量維度 為 S S B 5 C 為了提高目標(biāo)的檢測(cè)精度 YOLOv4 模 型采用得分過(guò)濾和非極大抑制方法過(guò)濾 重合度較大的目標(biāo)檢測(cè)結(jié)果 保證了目標(biāo)檢測(cè)結(jié)果 的精確性 1 2 試 驗(yàn)驗(yàn)證 1 2 1 數(shù) 據(jù)集建立 為了提高算法模型的自適應(yīng)性 本文采集不同光照環(huán)境下的草莓圖像 771 張 像 素 尺寸為 1 008 756 為 了便于數(shù)據(jù)集的訓(xùn)練和測(cè)試 本文將數(shù)據(jù)集按照 9 1 的 比例分為訓(xùn)練集和測(cè)試 集 通過(guò) LabelImg 軟 件進(jìn)行手工標(biāo)注 其中草莓?dāng)?shù)據(jù) 120 按照 著色率分為成熟和不成熟 2 種 類(lèi)型 經(jīng)過(guò)手工 標(biāo)注后生成的 XML 文 件中包含每幅圖像中的目標(biāo) 位置和類(lèi)別信息 其中目標(biāo)位置提供左上角坐標(biāo)和 右下角坐標(biāo)信息 通過(guò)草莓目標(biāo)的位置信息可以計(jì) 算出每個(gè)目標(biāo)的寬高參數(shù) 為后續(xù)的先驗(yàn)框計(jì)算提 供了基礎(chǔ) 1 2 2 先 驗(yàn)框計(jì)算 先驗(yàn)框參數(shù)反映了目標(biāo)檢測(cè)的 尺寸信息 對(duì)于尺寸變化較大情況下的目標(biāo)檢測(cè)精 度具有重要影響 考慮到 Kmeans 算 法對(duì)初始化聚類(lèi) 中心選擇上的不確定性 本文采用 Kmeans 算 法對(duì) 手工標(biāo)注的 XML 文 件中的目標(biāo)寬高尺寸進(jìn)行聚類(lèi) Kmeans 算 法對(duì)初始化聚類(lèi)中心的選擇進(jìn)行優(yōu)化 即對(duì)隨機(jī)選取的單個(gè)初始聚類(lèi)中心按照未知聚類(lèi)中 心與已知聚類(lèi)中心位置最遠(yuǎn)的原則進(jìn)行聚類(lèi)初始 化 采用輪盤(pán)法尋找指定數(shù)量的聚類(lèi)中心 考慮到 YOLOv4 模 型有 9 個(gè) 先驗(yàn)框 因而聚類(lèi)數(shù)為 9 個(gè) 先 驗(yàn) 框聚類(lèi)結(jié)果可以分為 3 個(gè) 特征層的參數(shù) 分別對(duì) 應(yīng)小尺寸 中尺寸和大尺寸目標(biāo) 考慮到草莓在拍攝 時(shí)的目標(biāo)距離不同 且存在遮擋 重疊等情況 因而 不同尺寸的先驗(yàn)框有利于提升目標(biāo)的檢測(cè)精度 Kmeans 算 法對(duì) LabelImg 標(biāo) 注好的草莓目標(biāo)寬高 尺寸進(jìn)行計(jì)算得到的 9 個(gè) 先驗(yàn)框的寬和高像素尺寸 分別為 24 29 29 41 34 57 42 44 42 75 50 62 52 89 63 111 80 143 分 別對(duì)應(yīng) 3 個(gè) 特征層的先驗(yàn) 框參數(shù) 2 結(jié) 果與分析 2 1 草 莓模型識(shí)別 本文搭建了 YOLOv4 網(wǎng) 絡(luò)模型 并將標(biāo)注好的 訓(xùn)練集圖像和先驗(yàn)框參數(shù)引入模型中進(jìn)行訓(xùn)練 本 文 所 用 計(jì) 算 機(jī) CPU 為 Inter Core i7 10870H CPU 2 20 GHz 顯 卡為 NVIDIA GeForce RTX 2070 內(nèi) 存為 16 GB 操 作系統(tǒng)為 Windows 10 為 了提高模型訓(xùn)練效率 本文模型訓(xùn)練采用遷 移學(xué)習(xí)完成 將圖片數(shù)據(jù)集隨機(jī)按照 9 1 的 比例分 為訓(xùn)練集和測(cè)試集 模型的訓(xùn)練過(guò)程分兩階段進(jìn)行 第一階段 為了提升模型訓(xùn)練速度 凍結(jié)前 249 層 的 權(quán)重參數(shù)以降低模型參數(shù)的訓(xùn)練量 設(shè)置迭代次數(shù) 為 50 batch size 參 數(shù)為 8 初 始學(xué)習(xí)率為 10 3 并 采 用 Adam 優(yōu) 化器更新網(wǎng)絡(luò)權(quán)重 第二階段 對(duì)網(wǎng)絡(luò)凍 結(jié)層解凍進(jìn)行整體訓(xùn)練 設(shè)置迭代次數(shù)為 70 模 型 訓(xùn)練初始學(xué)習(xí)率為 10 4 batch size 參 數(shù)為 4 并 采用 Adam 優(yōu) 化器更新網(wǎng)絡(luò)權(quán)重 實(shí)際訓(xùn)練結(jié)束后的訓(xùn)練 集損失為 5 511 驗(yàn) 證集損失為 5 611 模 型訓(xùn)練結(jié)束后 將最優(yōu)訓(xùn)練參數(shù)導(dǎo)入模型中 進(jìn)行識(shí)別驗(yàn)證 考慮到草莓目標(biāo)檢測(cè)環(huán)境的復(fù)雜性 本文重點(diǎn)對(duì)草莓不同尺寸和遮擋情況下的檢測(cè)效果 進(jìn)行分析 檢測(cè)結(jié)果如圖 1 所 示 從圖 1 a 可 以看 出 本文算法模型能夠?qū)崿F(xiàn)不同尺寸草莓目標(biāo)的精 確檢測(cè) 對(duì)測(cè)試集的整體檢測(cè)結(jié)果進(jìn)行分析發(fā)現(xiàn) 本 文模型對(duì)不同尺寸的草莓目標(biāo)具有較強(qiáng)的穩(wěn)健性 從圖 1 b 可 以看出 算法模型對(duì)遮擋環(huán)境下的草莓 目標(biāo)具有較好的自適應(yīng)性 對(duì)測(cè)試集整體檢測(cè)效果 進(jìn)行分析發(fā)現(xiàn) 本文模型對(duì)遮擋或者草莓重疊狀況 不嚴(yán)重情況下的草莓目標(biāo)可以實(shí)現(xiàn)精確檢測(cè) 綜上 所述 本文算法對(duì)復(fù)雜環(huán)境下的草莓目標(biāo)尺寸變化 和遮擋狀況具有較高的穩(wěn)健性 2 2 模 型評(píng)價(jià) 模型評(píng)價(jià)是評(píng)價(jià)模型性能的關(guān)鍵步驟 也是驗(yàn) 金林華等 基于 YOLOv4 的 草莓目標(biāo)檢測(cè)技術(shù)研究 注 a 為 不同尺寸目標(biāo)檢測(cè) b 為 遮擋目標(biāo)檢測(cè) 圖 1 草 莓目標(biāo)檢測(cè)結(jié)果 a b 121 現(xiàn)代 農(nóng)業(yè)科技 2023 年 第 1 期農(nóng)業(yè)工程學(xué) 上接第 118 頁(yè) 究 D 昆 明 昆明理工大學(xué) 2019 12 孫 曉軍 杜傳印 孫其勇 熱 泵型烤房的設(shè)計(jì)開(kāi)發(fā) C 山 東制冷空調(diào) 2009 年 山東省制冷空調(diào)學(xué)術(shù)年會(huì) 煙臺(tái) 冰輪杯 優(yōu)秀論文集 青 島 中國(guó)制冷學(xué)會(huì) 2009 58 61 13 BRYAN W MAW J MICHAEL M et al Heat pump de humidification during the curing of flue cured tobacco C Nashville The Proceedings of the 41st Tobacco Workers Conference 2004 14 孫 曉軍 杜傳印 王兆群 等 熱 泵型煙葉烤房的設(shè)計(jì)探 究 J 中 國(guó)煙草學(xué)報(bào) 2010 16 1 31 35 15 劉 雅嫻 沈晗 杜傳印 等 不 同肥料運(yùn)籌模式下采收時(shí) 間對(duì)烤煙經(jīng)濟(jì)性狀及品質(zhì)的影響 J 中 國(guó)煙草科學(xué) 2020 41 2 21 26 16 呂 君 魏娟 張振濤 等 基 于等焓和等溫過(guò)程的熱泵烤 煙系統(tǒng)性能的理論分析與比較 J 農(nóng) 業(yè)工程學(xué)報(bào) 2012 28 20 265 271 17 呂 君 魏娟 張振濤 等 熱 泵烤煙系統(tǒng)性能的試驗(yàn)研 究 J 農(nóng) 業(yè)工程學(xué)報(bào) 2012 28 增 刊 1 63 67 18 伊 松林 張璧光 太 陽(yáng)能及熱泵干燥技術(shù) M 北 京 化學(xué) 工業(yè)出版社 2011 19 陳 東 謝繼紅 熱 泵干燥裝置 M 北 京 化學(xué)工業(yè)出版 社 2007 20 李 世軍 排 濕熱回收熱泵煙葉烤房及其自動(dòng)控制的研 究 J 中 國(guó)農(nóng)機(jī)化學(xué)報(bào) 2017 38 12 63 67 21 張 雨薇 易鎮(zhèn)邪 周清明 不 同密集烤房對(duì)烤煙烘烤能 耗成本與上部葉品質(zhì)的影響 J 甘 肅農(nóng)業(yè)大學(xué)學(xué)報(bào) 2019 54 5 112 120 22 任 杰 曹亞凡 盧曉華 等 可 調(diào)節(jié)氣流方向的閉式循環(huán) 熱泵烤房的設(shè)計(jì)應(yīng)用 J 煙 草科技 2019 52 8 82 88 23 許 錫祥 陳承亮 呂作新 等 幾 種新型密集烤房烘烤效 果比較 J 中 國(guó)煙草科學(xué) 2017 38 5 82 86 證 模型穩(wěn)健性和檢測(cè)能力的標(biāo)準(zhǔn) 常用的目標(biāo)檢測(cè) 模型評(píng)價(jià)指標(biāo)有精確度 Precision 召回率 Recall 和 平均精度 mAP mean average precision 其中精確 度和召回率的計(jì)算公式如下 精確度 TP TP FP 1 召 回率 TP TP FN 2 其 中 TP 為 目標(biāo)實(shí)際為正樣本且模型判定為正 樣本的情況 FP 為 目標(biāo)實(shí)際為負(fù)樣本且模型判定為 正樣本的情況 FN 為 目標(biāo)實(shí)際不為負(fù)樣本且模型判 定為負(fù)樣本的情況 除了精確度和召回率以外 還有 二者的組合評(píng)價(jià)標(biāo)準(zhǔn)平均精度 mAP 其評(píng)價(jià)更為 客觀 對(duì)測(cè)試集檢測(cè)結(jié)果進(jìn)行分析 網(wǎng)絡(luò)模型的平均 精度 mAP 評(píng) 價(jià)結(jié)果表明 測(cè)試集中成熟草莓的召 回率為 90 48 精 確度為 98 70 平 均精度為 99 63 未 成熟草莓的召回率為 80 40 精 確度為 94 67 平 均精度為 94 47 經(jīng) 測(cè)試 在分辨率為 1008 756 的 情況下 草莓目標(biāo)檢測(cè)的平均精度 mAP 均 值達(dá)到 97 05 檢 測(cè)時(shí)間平均為 74 ms 能 夠 滿(mǎn)足草莓檢測(cè)的精度和實(shí)時(shí)性需求 3 結(jié) 論 本文針對(duì)草莓 目標(biāo)檢測(cè)存在的問(wèn)題 提出了一 種基于 YOLOv4 的 檢測(cè)方法 通過(guò)數(shù)據(jù)集標(biāo)注獲取 草莓目標(biāo)的位置和類(lèi)型信息 在此基礎(chǔ)上采用改進(jìn) 型 Kmeans 算 法實(shí)現(xiàn)草莓先驗(yàn)框的尺寸計(jì)算 最后采 用遷移學(xué)習(xí)和兩階段訓(xùn)練方法實(shí)現(xiàn)模型訓(xùn)練 試驗(yàn) 結(jié)果表明 該方法對(duì)草莓目標(biāo)檢測(cè) 的平均精度 mAP 均 值達(dá)到 97 05 檢 測(cè)時(shí)間平均達(dá)到 74 ms 可 以實(shí)現(xiàn)復(fù)雜環(huán)境下草莓目標(biāo)的快速準(zhǔn)確檢測(cè) 4 參 考文獻(xiàn) 1 李 鑫 用 于機(jī)器采摘的高架草莓識(shí)別與分級(jí)方法的研 究 D 南 京 東南大學(xué) 2018 2 閆 元 基 于深度學(xué)習(xí)與雙目視覺(jué)的草莓識(shí)別定位研究 D 太 谷 山西農(nóng)業(yè)大學(xué) 2020 3 錢(qián) 文秀 常青 向輝 等 基 于深度監(jiān)督顯著目標(biāo)檢測(cè)的 草莓圖像分割 J 華 東理工大學(xué)學(xué)報(bào) 自然科學(xué)版 2020 46 1 114 120 4 高 凡 基 于深度學(xué)習(xí)的實(shí)例搜索方法研究 D 西 安 西安 科技大學(xué) 2020 5 陳 楊 基 于無(wú)人機(jī)遙感開(kāi)發(fā)平臺(tái)的草莓生長(zhǎng)狀況快速監(jiān) 測(cè)研究 D 杭 州 浙江大學(xué) 2020 6 黃 小杭 梁智豪 何子俊 等 基 于 YOLO v2 的 蓮蓬快速 識(shí)別研究 J 現(xiàn) 代農(nóng)業(yè)科技 2018 13 164 167 nullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnull 122