基于改進YOLOv7模型的朝天椒果實識別方法

摘要：" 朝天椒果實的準確識別是實現智能采摘的關鍵步驟，針對其生長環境復雜、果實大小不一、遮擋重疊等造成識別準確率低的問題，本研究提出一種基于改進YOLOv7的朝天椒果實識別方法。以YOLOv7為基礎模型，設計了一種含有殘差結構的AM_F模塊，將其融合在YOLOv7主干網絡中；基于空間、通道注意力機制的結構改進得到SAM_F、SE_ECA模塊，分別將其融合在主干網絡和頸部網絡中，并進行結構簡化，同時將SPP_CSP結構中的SPP替換為SPPF，實現參數計算量的精簡，最終得到改進型YOLOv7模型——YOLOv7-F。采用對比試驗對YOLOv7-F模型的識別效果進行驗證分析，結果表明，YOLOv7-F模型對朝天椒果實的識別平均精度均值為80.07%，與YOLOv7模型相比，YOLOv7-F模型在識別時間加快23.4 ms的前提下，平均精度均值提升了1.06個百分點，而且模型大小也減少77.94 MB。YOLOv7-F模型實現了朝天椒果實識別精度和速度同步提升，為朝天椒果實智能采摘提供技術支撐。

關鍵詞：" 朝天椒；果實識別；YOLOv7模型

中圖分類號：" S225;TP391;TP183""" 文獻標識碼：" A""" 文章編號：" 1000-4440（2024）12-2292-10

收稿日期：2024-04-05

基金項目：黑龍江省重點研發計劃項目（GA21C026）；天津市科技計劃項目（21YDTPJC00600）

作者簡介：李名博（1998-），男，山西晉中人，碩士，主要從事智能農機裝備研究。（E-mail）limingb257@163.com

通訊作者：衛" 勇，（E-mail）weiytj@qq.com

李名博，衛 "勇，穆志民，等. 基于改進YOLOv7模型的朝天椒果實識別方法［J］. 江蘇農業學報，2024，40（12）：2292-2301.

doi：10.3969/j.issn.1000-4440.2024.12.012

Identification method of pod pepper fruits based on improved YOLOv7 model

LI Mingbo1，" WEI Yong1，" MU Zhimin2，" NASIR Mubarak Aliyu1

（1.College of Engineering and Technology， Tianjin Agricultural University， Tianjin 300384， China;2.College of Basic Sciences， Tianjin Agricultural University， Tianjin 300384， China）

Abstract：" The accurate identification of pod pepper fruits is the crucial step to realize intelligent picking. Aiming at the problem of low recognition accuracy caused by complex growing environments， different fruit sizes， and occlusion and overlapping， a fruit recognition method based on improved YOLOv7 was proposed. Using YOLOv7 as the basic model， an AM_F module with residual structure was designed and integrated into the backbone network of YOLOv7. The SAM_F and SE_ECA modules were obtained by improving the structure of the spatial and channel attention mechanisms. They were integrated into the backbone network and the neck network respectively， and the structure was simplified. At the same time， the SPP in the SPP_CSP structure was replaced by SPPF to simplify the calculation of parameters， and finally an improved YOLOv7 model， YOLOv7-F， was obtained. The recognition effect of YOLOv7-F model was verified and analyzed by comparison tests. The results indicated that the average recognition accuracy of YOLOv7-F model was 80.07%. Compared with the YOLOv7 model， the recognition time of the YOLOv7-F model was accelerated by 23.4 ms， the average accuracy was increased by 1.06 percentage points， and the model size was reduced by 77.94 MB. The YOLOv7-F model can realize the synchronous improvement of the recognition accuracy and recognition speed of pod pepper fruits， and provide technical support for the intelligent picking of pod pepper fruits.

Key words：" pod pepper;fruit identification;YOLOv7 model

中國自從“十三五”以來，辣椒種植面積一直居世界首位，根據國家大宗蔬菜產業技術體系統計數據得知，中國每年種植辣椒的面積為2.13×106 hm2，占中國蔬菜種植面積的10%，并在蔬菜生產行業扮演著重要的角色。朝天椒作為辣椒的常見品種之一，其果實具有消炎鎮痛、祛風散寒、殺蟲止癢的功效，富含豐富的礦物質，尤其是其維生素C含量位于蔬菜榜首。在朝天椒種植和銷售的整條產業鏈中，采摘是其中必不可少的環節，而目前采摘作業仍是以人工采摘為主機械采摘為輔，工作效率低、用工成本高，而且朝天椒成熟的時間正為酷暑季節，導致人工采摘的難度進一步提升。另一方面，由于田間環境復雜，機械采摘不可避免地會出現漏采、破損等現象。因此，在采摘作業中快速準確識別朝天椒果實顯得非常迫切。

隨著計算機科學技術的不斷發展，深度學習技術憑借其卓越的工作效率和準確性對農業生產中的識別作業起到積極作用。楊堅等將CBAM模塊融合于YOLOv4-tiny中，采用Mish激活函數代替ReLU激活函數，并在預測網絡增加一個76×76的檢測頭，改進后的番茄識別模型對比原模型，平均精度均值提高0.7個百分點。He等首先采用YOLOv4識別不同成熟度的草莓，然后將識別到的成熟草莓作為YOLOv4-tiny的輸入信息，進行果實中心的估計，平均精度均值為86.45%。張楠楠等在YOLOv7的Backbone與Head中間增加CBAM模塊，將其應用于棉花葉片病蟲害識別，對比原模型，改進后的模型平均精度均值提高4.9個百分點。王金星等采用融合CBAM的ResNeXt網絡作為改進Mask R-CNN的主干網絡，增加模型對蘋果園害蟲的信息提取能力，試驗結果表明，相比原模型，改進后的Mask R-CNN平均精度均值提升4.21個百分點。

近年來，諸多學者針對辣椒的識別工作進行了相關研究。Ji等針對綠色辣椒提出一種基于流形排序算法的目標識別方法，采用SEEDS算法構建增強圖像的超像素塊，利用流形排序檢測目標，識別準確率達83.6%。Li等提出一種基于改進YOLOv4-tiny的綠色辣椒的識別算法，在原模型基礎上引入自適應特征融合和特征注意力機制，最終145張測試集的平均精度（AP）達到95.11%。Cong等為保證對辣椒的生長過程進行動態監測，在Mask R-CNN的主干網絡中引入Swin Transformer注意力機制，并利用UNet3+對掩碼分支進行改進，在復雜場景中的分割效果良好，識別的平均幀率（FPS）為5。Nan等以YOLOv5l作為基礎模型，采用基于NSGA-Ⅱ的剪枝算法，修剪后的模型平均精度均值降低了0.973個百分點，但在識別速度方面與原模型相比具有顯著優勢。

綜上，目前針對辣椒果實的識別已取得一定進展，但仍存在以下問題：當前進行識別工作的辣椒多為甜椒、彩椒及青椒等果實較大的目標，未有針對朝天椒等較小果實的識別研究；識別算法并沒有充分考慮辣椒果實大小不同、光照條件不一、存在遮擋和重疊等情況，易造成錯檢、漏檢；用于辣椒果實識別的模型參數量較多，訓練環境要求較高，部署至嵌入式設備難度較大。因此，本研究提出一種基于改進YOLOv7的朝天椒果實識別方法，設計了一種含有殘差結構的AM_F模塊，基于注意力機制改進得到SAM_F、SE_ECA模塊，將這些模塊融合于YOLOv7當中，并將SPP_CSP結構當中的SPP替換為SPPF，以實現朝天椒果實識別速度和精度的同步提升以及模型的精簡，為朝天椒果實智能采摘提供技術支持。

1" 材料與方法

1.1" 試驗數據

1.1.1" 試驗數據的采集 "本研究所用圖像采集于天津市寶坻區帳房酄路天鷹椒繁育種基地，基地主要種植天鷹椒161和天鷹椒162兩個辣椒品種，其中天鷹椒又名三鷹椒、三櫻椒、朝天椒。圖像采集設備為Nikon D3100，設備的成像像素為4 608×3 072，圖像分辨率為300 dpi，為了便于目標識別模型的訓練，將圖像壓縮至640×640像素，并保存為JPG格式。在采集圖像的過程中，使用相機在朝天椒果實的頂部、側面以及斜上方等進行不同角度的圖像采集，共采集1 513張朝天椒果實圖像，圖像中包含不同遮擋度、不同密集程度以及不同光照方向下的朝天椒目標。

1.1.2" 數據標注" 使用MATLAB R2022b的Image Labeler軟件對朝天椒圖像進行標注，如圖1所示。ripe_pepper和unripe_pepper是朝天椒果實的兩個類別標簽，利用矩形框對朝天椒果實目標進行標注，標注完成后點擊Export，導出至工作區，標注文件的存儲格式為mat。

1.1.3" 數據增強" 為增加訓練數據樣本的數量和多樣性，增強其魯棒性，使建立的模型能夠更好地應對各種圖像變化，并提高對新樣本的適應能力，采用對比度變換、色調變換、飽和度變換、亮度變換、噪聲擾動、翻轉變換、尺度變換等隨機混合增強的方式對朝天椒果實圖像數據集進行擴充，如圖2所示。經過數據增強，總共獲得6 052張圖像，按照8∶1∶1的比例對數據集進行劃分，隨機選擇4 842張圖像作為訓練集，605張圖像作為驗證集，605張圖像作為測試集。

1.2" 朝天椒果實識別模型的設計

1.2.1" 以YOLOv7為基礎模型" 為滿足朝天椒果實識別的實時性與準確性，本研究選擇YOLOv7作為朝天椒果實識別的基礎模型。YOLOv7主要包括主干網絡（Backbone）、頸部網絡（Neck）以及多尺度預測頭（Head）3部分。

主干網絡中并沒有采用之前YOLOv5、YOLOX等模型主干網絡中的CSP結構與多層殘差結構相結合的網絡結構，而是引入高效聚合網絡（Efficient layer aggregation networks，ELAN）結構，通過多分支堆疊的思想進行特征整合，提高網絡的特征提取能力。頸部網絡采用改進后的FPN+PAN結構，引入SPP_CSP模塊，將不同維度的特征進行更好地融合，通過最大池化與卷積操作相組合的Max_2C模塊代替上采樣層，更加有效地提取圖像特征。Head層采用卷積重參化（Re-parameterized refocusing convolution）結構，訓練過程引入殘差結構對圖像特征進行更有效的學習，預測過程采用3×3卷積，在保持模型預測性能的同時減小網絡結構的復雜程度。

1.2.2" 模塊設計" 為了使YOLOv7模型更加勝任朝天椒果實小目標的識別任務，本研究設計了AM_F模塊、SAM_F模塊、SE_ECA模塊和SPPF_CSP模塊，并將它們融合到YOLOv7模型中。

1.2.2.1" AM_F模塊設計" 通過對注意力機制的原理和結構進行理解與剖析，本研究設計了一種含有殘差結構的AM_F模塊，如圖3所示。AM_F模塊采用基于寬度和高度的平均池化和最大池化操作，實現對特征圖像通道信息的有效關注。主要分為兩個部分，第一部分采用1×1的卷積層代替全連接層進行通道壓縮和通道恢復，在提取局部特征的同時可以保留位置信息，提高局部信息的捕捉能力，并且卷積層可以在多個位置和通道中共享參數，大大減少參數量，激活函數采用Leaky ReLU，對比SiLU激活函數，減少計算量的同時保留一定的非線性特性，對比ReLU激活函數，改善梯度消失問題，增加模型的泛化能力；第二部分的輸入為第一部分Multiply層輸出的信息，經過基于寬度和高度的平均池化和最大池化，進行通道方向的組合操作，輸出特征信息尺寸為1×1×2c（c為通道數），通過1×1的卷積層，降低通道數，特征信息尺寸為1×1×c（c為通道數），然后將特征信息輸入到Sigmoid層，獲得各個通道的權重信息，最后將第一部分Multiply層輸出的信息與各個通道的權重進行乘法操作，最終輸出的特征信息尺寸為高（h）×寬（w）×通道數（c）。

1.2.2.2" SAM_F模塊設計" 基于空間注意力機制SAM的結構，本研究改進設計了一種SAM_F模塊，如圖4所示。由于全局池化操作需要耗費較多的計算資源，而卷積層的操作對象為輸入信息的局部區域，需要較少的計算資源，并且可以捕獲圖像中的局部特征和邊緣信息，因此在小目標比較多的識別任務中使用卷積層更具有優勢，SAM_F模塊中采用1×1卷積層代替全局池化層，輸入信息經過兩條分支的1×1卷積層，信息尺寸均變為高（h）×寬（w）×1，之后進行通道方向的Concat操作，尺寸變為高（h）×寬（w）×2，接著再經過1×1卷積層，進行下采樣操作，尺寸變為高（h）×寬（w）×1，最后通過Sigmoid層獲得每個元素的權重，與輸入特征圖像的信息進行乘法操作，輸出的特征信息尺寸為高（h）×寬（w）×通道數（c）。

1.2.2.3" SE_ECA模塊設計" 基于SE和ECA注意力機制的結構和原理，本研究設計了一種SE_ECA模塊，如圖5所示。SE對輸入的特征圖像信息進行全局池化，接著通過全連接層以及激活函數層進行通道數的降低與恢復，最后通過Sigmoid層獲得權重，并用乘法操作將權重信息加權到各個通道的特征上。ECA在全局池化層之后沒有采用全連接層，而是利用1×1卷積層進行各通道信息之間的交互，使其參數變小，并具有良好的跨通道信息捕捉能力。綜合SE和ECA兩者的優勢，SE_ECA模塊首先對輸入特征圖像信息進行平均池化操作，之后采用3×3卷積操作，提高跨通道信息交互的效率，再通過Sigmoid層獲取特征圖像的各個通道的權重，并將權重通過乘法操作加權到各個通道的特征上，使網絡模型對權重大的通道進行重點關注，對權重較小的通道進行抑制。

1.2.2.4" SPPF_CSP模塊設計" 采用SPPF結構代替頸部網絡SPP_CSP模塊中的SPP結構，組成SPPF_CSP模塊，如圖6所示。SPPF_CSP的輸入特征信息尺寸為20×20×1 024，經過SPPF結構第2條分支串行的兩個5×5最大池化層的輸出值與SPP結構9×9最大池化層的計算結果是相同的，經過3個串行連接的5×5最大池化層的輸出值等同于SPP結構13×13最大池化層的輸出值。SPPF結構在整個池化過程中只采用5×5池化核，而且每次池化操作后的結果均作為下一次池化的輸入信息，這種結構設計實現了計算量的精簡以及計算速度的提升。

1.2.3" YOLOv7-F模型" 上述設計的各個模塊融合到YOLOv7模型中，構成YOLOv7-F模型，如圖7所示。首先，將AM_F模塊融合在主干網絡特征提取的前期階段，重點對通道信息進行關注。其次，將SAM_F模塊融合在主干網絡的ELAN_2C和ELAN_C結構中，取代其第一條分支中的部分CBS模塊，得到2C_F/C_F結構，如圖8所示。接著將SE_ECA模塊融合在頸部網絡的ELAN_C/2結構中，取代其第一條分支中的部分CBS模塊，并簡化進行通道方向組合的部分分支，得到C/2_F結構，如圖9所示。最后將SPP_CSP中的SPP結構替換為SPPF結構，實現參數計算量的縮減和特征信息運算速度的提升。

1.2.4" 試驗平臺" 識別模型運行環境的硬件平臺采用的處理器型號為英特爾E5-2650v4，顯卡型號為英偉達RTX 2080Ti，內存為DDR4 64 GB。軟件平臺采用MATLAB R2022b，在此基礎上安裝Computer Vision Toolbox、Deep Learning Toolbox、MATLAB Coder Interface for Deep Learning Libraries等深度學習運算構架。YOLOv7-F模型訓練的輪數設置為80，每輪訓練的batch size設置為4，學習率設置為0.000 1，懲罰閾值設置為0.5。

1.2.5" 評價指標" 為了對朝天椒果實識別模型的識別效果進行直觀評價，本研究主要采用平均精度均值（mAP）、識別時間、準確率和召回率的加權調和平均值（F1）得分以及模型大小作為朝天椒果實識別效果的評價指標。

以識別朝天椒果實為例，將成熟朝天椒果實為正樣本，未成熟朝天椒果實為負樣本，TP代表正樣本被預測為正樣本，即成熟朝天椒果實被識別為成熟，FP代表負樣本被預測為正樣本，即未成熟朝天椒果實被識別為成熟，FN代表正樣本被預測為負樣本，即成熟朝天椒果實被識別為未成熟。

F1得分的計算方法如公式（1）所示，F1是準確率（Precision）和召回率（Recall）的加權調和平均值，它同時考慮準確率和召回率，為兩者提供一個綜合的度量。其中準確率（P）的計算方法如公式（2）所示，代表預測為正的樣本中有多少為真正的正樣本，召回率（R）的計算方法如公式（3）所示，代表真正的正樣本有多少樣本被預測為正。

F1=2×P×RP+R（1）

P=TPTP+FP（2）

R=TPTP+FN（3）

AP（Average Precision）的計算方法如公式（4）所示，AP代表準確率、召回率與坐標軸所圍繞圖像的面積。

AP=∫10P（R）dR（4）

平均精度均值（mAP）的計算方法如公式（5）所示，對模型在目標的不同類別上的表現進行綜合考慮，通過對每個類別的平均精度（AP）取均值而得出。

mAP=1N∑Ni=1APi（5）

2" 結果與分析

2.1" 有無遮擋情況下的識別

在朝天椒的生長環境中，不可避免地會出現遮擋的現象，增加目標識別的難度，因此，本研究對朝天椒果實有無遮擋情況下進行試驗，識別效果如圖10所示。當不存在遮擋現象時，YOLOv7和YOLOv7-F均可以完成對朝天椒果實的識別任務，但YOLOv7-F識別的目標框更加接近于朝天椒果實的真實輪廓；當存在遮擋現象時，YOLOv7丟失了部分目標的輪廓信息，出現漏檢的情況，如圖中實線圓圈所示。

2.2" 不同密集程度下的識別

當一張圖像中的朝天椒果實數量比較少時，在模型訓練過程中特征提取難度相對較低，識別效果也比較好。當朝天椒果實數量比較多時，特征提取難度相對較高，識別難度較大，容易出現漏檢或者錯檢的現象。因此，本研究對不同密集程度的朝天椒果實進行識別對比試驗，識別效果如圖11所示。當圖像中存在兩個朝天椒果實時，YOLOv7和YOLOv7-F均能準確識別；當圖像中存在多個朝天椒果實時，由于對目標特征提取的不充分性，加上背景顏色的干擾，YOLOv7除了出現漏檢現象，如圖中細線圓圈所示，還存在錯檢的現象，如圖中粗線圓圈所示。

2.3" 不同光照方向的對比試驗

在不同光照方向下，朝天椒果實的明暗程度存在一定的差異。順光方向下，朝天椒果實的亮度較強，識別效果受環境背景影響較大；逆光方向下，朝天椒果實的亮度較弱，特征紋理信息的清晰度較低。因此，本研究對不同光照方向下的朝天椒果實進行識別對比試驗，識別效果如圖12所示。順光方向下，YOLOv7出現錯檢和重檢的現象，如圖中粗線圓圈和細線圓圈所示，盡管YOLOv7-F將YOLOv7錯檢的朝天椒果實實現正確識別，但識別框距離真實的朝天椒果實輪廓有一定的差距，主要是因為在順光方向下，葉子的顏色對朝天椒果實的正確識別造成較大干擾；逆光方向下，由于枝葉遮擋以及環境背景的干擾，YOLOv7出現漏檢現象，如圖中五角星所示。

2.4" 不同模型的識別性能

對YOLOv3、YOLOv4、YOLOv5、YOLOX、Faster R-CNN、YOLOv7、YOLOv7-F模型進行識別對比試驗，識別效果如圖13所示，YOLOv3模型存在漏檢和重檢現象；YOLOv4模型漏檢的個數較多，同時還存在錯檢現象；YOLOv5模型和YOLOX模型存在漏檢和重檢現象；Faster R-CNN模型和YOLOv7模型存在漏檢現象以及對紅色和綠色朝天椒果實的重檢現象，YOLOv7模型還存在錯檢現象；YOLOv7-F模型盡管也存在漏檢現象，但與其他6種模型相比，識別效果明顯提升。由基于不同識別模型的精確率和召回率（PR）曲線圖（圖14）也可以看出，對比其他6種模型，YOLOv7-F模型的識別精度最優。由表1可以得出，與YOLOv7模型相比，YOLOv7-F模型平均精度均值提升1.06個百分點，識別時間加快23.4 ms，F1得分提高0.0041分，模型大小也減少77.94 MB。盡管Faster R-CNN模型的平均精度均值與YOLOv7-F模型接近，但其識別速度遜色于YOLOv7-F模型。此外，與YOLOv3、YOLOv4、YOLOv5、YOLOX模型相比，YOLOv7-F模型在平均精度均值、識別時間、F1得分以及模型大小方面都位于領先地位。

3" 結論

本研究提出了一種基于改進YOLOv7的朝天椒果實識別方法，設計了AM_F、SAM_F、SE_ECA、SPPF_CSP模塊，并將其融合到YOLOv7模型中得到YOLOv7_F模型。試驗結果表明，與YOLOv7模型相比，YOLOv7-F模型可以實現對朝天椒果實識別精度和速度的同步提升；與其他主流模型的識別效果相比，YOLOv7-F在平均精度均值、識別時間、F1得分以及模型大小等方面均位于領先地位，可以實現對朝天椒果實的有效識別，為朝天椒果實的智能采摘提供了技術支撐。

參考文獻：

王立浩，張寶璽，張正海，等. “十三五”我國辣椒育種研究進展、產業現狀及展望. 中國蔬菜，2021（2）：21-29.

喬立娟，趙幫宏，宗義湘，等. 我國辣椒產業發展現狀、趨勢及對策. 中國蔬菜，2023（11）：9-15.

王海楠，弋景剛，張秀花. 番茄采摘機器人識別與定位技術研究進展. 中國農機化學報，2020，41（5）：188-196.

SANTOS T T， DE SOUZA L L， DOS SANTOS A A， et al. Grape detection， segmentation and tracking using deep neural networks and three-dimensional association. Computers and Electronics in Agriculture，2020，170：105247.

楊" 堅，錢" 振，張燕軍，等.采用改進YOLOv4-tiny的復雜環境下番茄實時識別. 農業工程學報，2022，38（9）：215-221.

HE Z X， KARKEE M， ZHANG Q. Detecting and localizing strawberry centers for robotic harvesting in field environment. IFAC-PapersOnLine，2022，55（32）：30-35.

張楠楠，張" 曉，白鐵成，等. 基于CBAM-YOLO v7的自然環境下棉葉病蟲害識別方法. 農業機械學報，2023，54（S1）：239-244.

王金星，馬" 博，王" 震，等. 基于改進Mask R-CNN的蘋果園害蟲識別方法. 農業機械學報，2023，54（6）：253-263，360.

JI W， GAO X X， XU B， et al. Target recognition method of green pepper harvesting robot based on manifold ranking. Computers and Electronics in Agriculture，2020，177：105663.

LI X， PAN J D， XIE F P， et al. Fast and accurate green pepper detection in complex backgrounds via an improved YOLOv4-tiny model. Computers and Electronics in Agriculture，2021，191：106503.

CONG P C， LI S D， ZHOU J C， et al. Research on instance segmentation algorithm of greenhouse sweet pepper detection based on improved mask RCNN. Agronomy，2023，13（1）：196.

NAN Y L， ZHANG H C， ZENG Y， et al. Faster and accurate green pepper detection using NSGA-Ⅱ-based pruned YOLOv5l in the field environment. Computers and Electronics in Agriculture，2023，205：107563.

LI T H， SUN M， HE Q H， et al. Tomato recognition and location algorithm based on improved YOLOv5. Computers and Electronics in Agriculture，2023，208：107759.

MENG F， LI J， ZHANG Y， et al. Transforming unmanned pineapple picking with spatio-temporal convolutional neural networks. Computers and Electronics in Agriculture，2023，214：108298.

李" 恒，南新元，高丙朋，等. 一種基于GhostNet的綠色類圓果實識別方法. 江蘇農業學報，2023，39（3）：724-731.

ZHU W D， SUN J， WANG S M， et al. Segmentation and recognition of filed sweet pepper based on improved self-attention convolutional neural networks. Multimedia Systems，2023，29（1）：223-234.

ZHONG S， XU W， ZHANG T， et al. Identification and Depth Localization of Clustered Pod Pepper Based on Improved Faster R-CNN. IEEE Access，2022，10：93615-93625.

LI D， SUN X， LV S， et al. A novel approach for the 3D localization of branch picking points based on deep learning applied to longan harvesting UAVs. Computers and Electronics in Agriculture，2022，199：107191.

翟先一，魏鴻磊，韓美奇，等. 基于改進YOLO卷積神經網絡的水下海參檢測. 江蘇農業學報，2023，39（7）：1543-1553.

王" 昱，姚興智，李" 斌，等. 基于改進YOLO v7-tiny的甜椒畸形果識別算法. 農業機械學報，2023，54（11）：236-246.

FU L， DUAN J， ZOU X， et al. Banana detection based on color and texture features in the natural environment. Computers and Electronics in Agriculture，2019，167：105057.

FANG W， WANG L， REN P. Tinier-YOLO： a real-time object detection method for constrained environments. IEEE Access，2019，8：1935-1944.

PARK K， HONG Y K， KIM G H， et al. Classification of apple leaf conditions in hyper-spectral images for diagnosis of Marssonina blotch using m RMR and deep neural network. Computers and Electronics in Agriculture，2018，148：179-187.

劉思幸，李" 爽，繆" 宏，等. 基于YOLOv3不同場景辣椒采摘機器人識別定位研究. 農機化研究，2024，46（2）：38-43.

WU F， DUAN J， AI P， et al. Rachis detection and three-dimensional localization of cut off point for vision-based banana robot. Computers and Electronics in Agriculture，2022，198：107079.

JIN Y， YU C， YIN J， et al. Detection method for table grape ears and stems based on a far-close-range combined vision system and hand-eye-coordinated picking test. Computers and Electronics in Agriculture，2022，202：107364.

BAI Y H， MAO S H， ZHOU J， et al. Clustered tomato detection and picking point location using machine learning-aided image analysis for automatic robotic harvesting. Precision Agriculture，2023，24（2）：727-743.

ZHAI S， SHANG D， WANG S， et al. DF-SSD： An improved SSD object detection algorithm based on Dense Net and feature fusion. IEEE Access，2020，8：24344-24357.

原" 昊. 基于深度學習的彩椒識別和定位技術研究. 泰安：山東農業大學，2023.

儲" 鑫，李" 祥，羅" 斌，等. 基于改進YOLOv4算法的番茄葉部病害識別方法. 江蘇農業學報，2023，39（5）：1199-1208.

（責任編輯：黃克玲）