999精品在线视频,手机成人午夜在线视频,久久不卡国产精品无码,中日无码在线观看,成人av手机在线观看,日韩精品亚洲一区中文字幕,亚洲av无码人妻,四虎国产在线观看 ?

基于改進(jìn)YOLOv7的番茄果實(shí)成熟度檢測方法

2025-08-03 00:00:00譚榮英李小明李軍輝宋一明
安徽農(nóng)業(yè)科學(xué) 2025年12期
關(guān)鍵詞:成熟度番茄損失

中圖分類號S126 文獻(xiàn)標(biāo)識碼A文章編號 0517-6611(2025)12-0193-03

doi:10.3969/j.issn.0517-6611.2025.12.042

開放科學(xué)(資源服務(wù))標(biāo)識碼(OSID):

MaturityDetection of Tomato Based on Improved YOLOv7

TANRong-yig,iang,LJun-etal(ShlfSartAultureEgiingeiVocaalClgeoflureejing 102442)

AbstractTouratelyentifyeatuityoftoatoargtinfcilitviroents,provetectioefecydaltydchve inteligentharvestingAancdLOodelisroposdfotetigtaturitoftgettoatofruis.sproachce model'sfocusonteagetregiosfputdatabyitegatintheCBAatetiomehasm;eploingtheSof-algoritetiely preventsissdetetiosuetigsitepngetsgsuppesdbyaingetiofoacngte originallossfunctioEOUandeplacing iithIOU,eexperientalsultssowtatteimprovedYOLOodelhasdetectioecision of 93.1% ,a recall rate of 90.8% ,and a mean average precision of 94.8% . Compared with the original YOLOv7 and YOLOv5 models,it hasimprovedindetetionprecision,ecallate,andmanaverageprecision,providingtechicalreferecefortmatoharvestingoplex environments.

Key words Tomato; YOLOv7; Maturity detection; Target recognition

番茄收獲過程中,人工采摘成本占據(jù) 33%~50% 。不僅效率低下,而且勞動強(qiáng)度極大[]。番茄采摘機(jī)器人是實(shí)現(xiàn)智能化作業(yè)、提高工作效率、減少人工成本的重要手段。采摘機(jī)器人設(shè)計難點(diǎn)是番茄的識別和定位,其準(zhǔn)確性關(guān)系采摘機(jī)器人的工作效率2。自然條件下在設(shè)施溫室內(nèi),番茄果實(shí)生長環(huán)境較為多變,果實(shí)之間存在葉片枝干遮擋、重疊、黏連等情況,這些因素給智能化采摘作業(yè)帶來了一定的困難。隨著深度學(xué)習(xí)、機(jī)器視覺等技術(shù)的快速發(fā)展,提升設(shè)施溫室內(nèi)自然環(huán)境下番茄果實(shí)目標(biāo)檢測的準(zhǔn)確性和效率對于提高采摘效率,實(shí)現(xiàn)機(jī)器智能采摘具有重要意義。

近年來,國內(nèi)外學(xué)者圍繞深度學(xué)習(xí)技術(shù)對番茄果實(shí)目標(biāo)識別展開了深人研究。劉建航等[3提出基于改進(jìn)YOLOv4和ICNet的番茄串檢測模型,改進(jìn)后的模型對番茄及番茄串的平均檢測精度為 99.31% ,參數(shù)量減少了 18% ,平均識別速度為 32f/s ,對番茄串的準(zhǔn)確采摘率為 84.8% ,完成1次采摘作業(yè)耗時約6s,為復(fù)雜溫室大棚環(huán)境下的農(nóng)作物采摘提供了技術(shù)支撐。楊堅等[4]提出一種基于改進(jìn)YOLOv4-tiny 的番茄成熟度識別模型,能夠有效解決遮擋和小番茄識別準(zhǔn)確率低的問題。何斌等[5]提出一種基于改進(jìn)YOLOv5的夜間番茄果實(shí)的識別方法,結(jié)果表明夜間環(huán)境下番茄綠色果實(shí)識別精度、紅色果實(shí)識別精度和綜合平均識別精度分別為96.2% .97.6% 和 96.8% ,驗證了模型對夜間環(huán)境下番茄果實(shí)識別的可靠性與準(zhǔn)確性。苗榮慧等提出一種基于改進(jìn)

YOLOv7的輕量化櫻桃番茄成熟度檢測方法,模型在測試集下的精確率、召回率和平均精度均值(mAP)分別為 98.6% 、98.1% 和 98.2% ,為櫻桃番茄果實(shí)的自動化采摘提供了有效探索。基于此,該研究提出一種改進(jìn)YOLOv7模型,以期實(shí)現(xiàn)設(shè)施環(huán)境下準(zhǔn)確識別番茄目標(biāo)果實(shí)成熟度,提高檢測效率和質(zhì)量,推進(jìn)番茄果實(shí)智能采收。

1材料與方法

1.1圖像采集試驗場地選取北京翠湖農(nóng)業(yè)科技有限公司智慧農(nóng)業(yè)創(chuàng)新工場,該基地主要種植品種有翠湖1號、翠湖2號、Saopolo和德澳特Juanita等,番茄種植主要采用無土栽培方式,選用椰糠作為無土栽培的種植基質(zhì),相鄰兩種植槽寬150cm ,壟高 80cm ,第1株番茄高度約 150cm ,種植環(huán)境如圖1所示。

圖1溫室番茄生長環(huán)境Fig.1The environment of greenhouse tomatoes

以產(chǎn)量最高、種植情況最好的Saopolo為研究對象,在2023年4一6月使用榮耀9X采集設(shè)施條件下的不同植株的番茄圖像。采集時間包括上午、中午和下午,以獲取不同光照條件下的圖像。共獲取3000像素 ?×5000 像素的番茄有效圖像1611幅。采集圖像類型包括單目標(biāo)果實(shí)、多目標(biāo)果實(shí)、順光環(huán)境、逆光環(huán)境、有枝葉遮擋圖像和無遮擋圖像,如圖2所示。

圖2不同特征番茄樣本圖像Fig.2Sample images of tomato

1.2數(shù)據(jù)集構(gòu)建為進(jìn)一步增加樣本多樣性,改善模型訓(xùn)練效果,提高模型魯棒性和泛化能力,借助數(shù)據(jù)增強(qiáng)的方式進(jìn)行樣本擴(kuò)充,內(nèi)容包隨機(jī)角度旋轉(zhuǎn)、水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、高斯模糊、隨機(jī)亮度調(diào)整、隨機(jī)平移和隨機(jī)裁剪等數(shù)據(jù)增強(qiáng)方式隨機(jī)組合,對數(shù)據(jù)集進(jìn)行擴(kuò)充,通過數(shù)據(jù)增強(qiáng)共獲得4743幅樣本圖像。

數(shù)據(jù)集制作主要包括圖像標(biāo)注和數(shù)據(jù)集分類兩個過程。采用LabelImg工具對不同成熟度番茄果實(shí)進(jìn)行標(biāo)注。青色番茄標(biāo)注unripe,紅色果實(shí)標(biāo)注為ripe,正在進(jìn)行轉(zhuǎn)色的果實(shí),雖然未達(dá)到成熟期,但是考慮到采摘之后的運(yùn)輸儲存環(huán)節(jié),已經(jīng)可以滿足實(shí)際采摘需求,因此也將其標(biāo)注為成熟番茄,同時對果實(shí)遮擋嚴(yán)重,正常視覺效果下難以辨別其成熟度情況的果實(shí)不予標(biāo)注,標(biāo)注完成之后生成一系列txt標(biāo)簽文件。按照比例 7:1:2 將數(shù)據(jù)集劃分為訓(xùn)練集(3320幅)、驗證集(474幅)和測試集(949幅)。

2模型構(gòu)建

2.1改進(jìn)YOLOv7算法YOLOv7網(wǎng)絡(luò)架構(gòu)圖主要由輸入層Input、用于特征取的Backbone以及特征融合和分類定位預(yù)測Head部分組成[]。YOLOv7是目前比較先進(jìn)的算法,與前幾代YOLO算法相比,該算法在主干特征提取網(wǎng)絡(luò)中加入了可擴(kuò)展的高效聚合層網(wǎng)絡(luò)(E-ELAN),通過影響深度神經(jīng)網(wǎng)絡(luò)的梯度路徑從而加快模型的收斂,提高檢測精度[8]。針對溫室內(nèi)串番茄的生長環(huán)境復(fù)雜的特點(diǎn),該研究對YOLOv7模型進(jìn)行了部分改進(jìn),以提高模型特征提取能力,如圖3所示。主要包括引入CBAM注意力機(jī)制,改進(jìn)模型中原有的NMS(非極大值抑制)策略,替換為更為敏感的非極大值抑制Soft-NMS以及進(jìn)一步優(yōu)化損失函數(shù)以提高整體檢測性能。

圖3改進(jìn)的YOLOv7網(wǎng)絡(luò)模型

2.2添加注意力機(jī)制溫室復(fù)雜環(huán)境中,由于受到光照,枝葉遮擋以及非結(jié)構(gòu)化背景等因素的影響,導(dǎo)致圖片中出現(xiàn)諸多干擾信息。注意力機(jī)制是對圖像輸入關(guān)鍵信息的動態(tài)聚焦過程,這個過程是通過特征自適應(yīng)分配權(quán)重實(shí)現(xiàn)的,聚焦圖像的重要特征,抑制不必要的區(qū)域響應(yīng)[9]。CBAM(convo-lutionalblockattentionmodule)是一種專門應(yīng)用于卷積神經(jīng)網(wǎng)絡(luò)的注意力機(jī)制,作為輕量級的卷積注意力模塊,CBAM能夠利用通道和空間之間的關(guān)聯(lián)性,從而顯著提高模型的性能,因此將CBAM注意力機(jī)制引人YOLOv7以提高模型性能,CBAM的結(jié)構(gòu)示意圖見圖4。

Fig.3Networkmodelofthe improvedYOLOv7圖4CBAM模塊Fig.4Convolutional block attention module(CBAM)

2.3Soft-NMS改進(jìn)溫室環(huán)境下對串番茄果實(shí)識別在某種程度上屬于高密集目標(biāo)檢測,尤其是大規(guī)模種植的復(fù)雜環(huán)境下串番茄果實(shí)相互重疊,給目標(biāo)檢測帶來了較大的困難。傳統(tǒng)的非極大值抑制算法(NMS)主要用來選篩選預(yù)測框,而重疊部分會使得篩選存在錯誤抑制造成漏檢等問題,該研究采用柔性非極大值抑制算法(Soft-NMS)替代傳統(tǒng)的NMS,Soft-NMS中對于IOU交并比大于閥值的檢測框并沒有和基本NMS那樣將其得分直接置為0,而是設(shè)置衰減函數(shù)降低邊框得分。通過這種方法,可以避免出現(xiàn)某些高度重疊的果實(shí)檢測框被徹底剔除的情況,提升模型對于嚴(yán)重疊遮擋的目標(biāo)果實(shí)的檢測能力。

2.4優(yōu)化損失函數(shù)YOLOv7算法中,預(yù)測框的回歸損失采用CIOU函數(shù),包括定位損失、置信度損失和分類損失,但該損失函數(shù)可能存在方向不匹配問題,即它沒有直接考慮目標(biāo)框的方向信息。這種不匹配可能導(dǎo)致收斂速度較慢且影響收斂效率,預(yù)測框可能在訓(xùn)練的過程中“四處游蕩\"并最終產(chǎn)生更差的模型[10]。因此,該研究采用SIOU損失函數(shù)替換CIOU損失函數(shù)。SIOU的損失公式如下:

式中,IOU為損失函數(shù), ∧ 為考慮角度, Δ 為距離損失, 為形狀損失, B 為真是邊界框的面積, BGT 為預(yù)測邊界框的面積。

3結(jié)果與分析

3.1試驗環(huán)境該研究中所采用的操作系統(tǒng)為Windows10,采用CPU型號為 InteI(R)Core(TM)i9-14900HX@2.50GHz GPU型號為NVIDIATITANRTX4080,運(yùn)行內(nèi)存為32GB,1TB機(jī)械硬盤,編程語言為Python3.9,使用的深度學(xué)習(xí)框架為PyTorch1.13.0版本。訓(xùn)練參數(shù)設(shè)置為初始學(xué)習(xí)率設(shè)置為0.01,批處理量設(shè)為8,選擇迭代次數(shù)Epoch為500次。

3.2評價指標(biāo)對串番茄成熟度檢測過程中主要考慮模型的檢測精度和檢測速度2個因素,該研究選取以下指標(biāo)對模型進(jìn)行評估:精確度(precision,P)召回率(recall,R)、平均精確度(averageprecision,AP)、平均精度均值(meanaverageprecision,mAP)以及每秒幀數(shù)(frames per second,F(xiàn)PS)。

3.3模型對比與驗證

3.3.1不同目標(biāo)檢測模型對比。為了驗證改進(jìn)模型的有效性能,該試驗設(shè)計了不同模型之間性能測試對比,將改進(jìn)YOLOv7模型和YOLOv5模型以及原始YOLOv7模型采用相同的數(shù)據(jù)集和參數(shù)設(shè)置進(jìn)行訓(xùn)練和測試,不同模型的精確度、召回率、平均精度均值見表1。從表1可知,改進(jìn)后的模型檢測精度為 93.1% ,召回率為 90.8% ,平均精度均值為94.8% ,比原始YOLOv7模型和YOLOv5模型的效果都有明顯提升。與原始YOLOv7模型相比,改進(jìn)后模型的精度、召回率和平均精度均值分別提升了2.4百分點(diǎn)、1.2百分點(diǎn)和2.5百分點(diǎn),比YOLOv5模型分別提升了2.0百分點(diǎn)、2.1百分點(diǎn)和3.0百分點(diǎn)。

表1不同檢測模型在測試集中的性能結(jié)果對比Table1 Performanceofdifferentdetectionmodelsintestsets

3.3.2檢測效果驗證。為進(jìn)一步檢驗改進(jìn)后YOLOv7模型在實(shí)際復(fù)雜溫室環(huán)境下的檢測效果,使用改進(jìn)后的YOLOv7模型對驗證集中的數(shù)據(jù)集進(jìn)行了檢測驗證,結(jié)果如圖5所示。從圖5可以看出,在逆光條件下,改進(jìn)后YOLOv7模型依然能較好地識別出目標(biāo)果實(shí)。

圖5 目標(biāo)檢測結(jié)果Fig.5The results of target recognition

4結(jié)論

針對室內(nèi)串番茄種植環(huán)境復(fù)雜、目標(biāo)檢測精度較差等問題,該研究提出一種改進(jìn)YOLOv7模型以提升檢測精度及效率。通過引入注意力機(jī)制CBAM,調(diào)整模型對輸人數(shù)據(jù)的目標(biāo)區(qū)域關(guān)注度;借助Soft-NMS算法,有效避免高密度重疊目標(biāo)被一次性抑制導(dǎo)致發(fā)生漏檢現(xiàn)象,從而提高識別效果;優(yōu)化原始損失函數(shù),將EIOU替換為SIOU,從而提高模型對不同生長狀態(tài)的串番茄的檢測精度,并與其他典型算法進(jìn)行對比。結(jié)果表明,改進(jìn)的YOLOv7模型檢測精度為 93.1% ,召回率為 90.8% ,平均精度均值為 94.8% ,與原始YOLOv7模型和YOLOv5模型相比,檢測精度、召回率和平均精度均值等方面均有提高。因此,該基于改進(jìn)YOLOv7的番茄成熟度檢測模型可為實(shí)現(xiàn)復(fù)雜環(huán)境下番茄采摘提供技術(shù)參考。

參考文獻(xiàn)

[1]李慧琴,宋趙銘,劉存祥,等.基于YOLOv8n的番茄果實(shí)檢測模型改進(jìn)[J/OL].河南農(nóng)業(yè)大學(xué)學(xué)報,2024-05-13[2024-07-31].https://doi.org/10.16445/j.cnki.1000-2340.20240511.002.

[2]劉芳,劉玉坤,林森,等.基于改進(jìn)型YOLO的復(fù)雜環(huán)境下番茄果實(shí)快速識別方法[J].農(nóng)業(yè)機(jī)械學(xué)報,2020,51(6):229-237.

[3]劉建航,何鑒恒,陳海華,等.基于改進(jìn)YOLO Δv4 和ICNet的番茄串檢測模型[J].農(nóng)業(yè)機(jī)械學(xué)報,2023,54(10):216-224,254.

[4]楊堅,錢振,張燕軍,等.采用改進(jìn)YOLOv4-tiny的復(fù)雜環(huán)境下番茄實(shí)時識別[J].農(nóng)業(yè)工程學(xué)報,2022,38(9):215-221.

[5]何斌,張亦博,龔健林,等.基于改進(jìn)YOLOv5的夜間溫室番茄果實(shí)快速識別[J].農(nóng)業(yè)機(jī)械學(xué)報,2022,53(5):201-208.

[6]苗榮慧,李志偉,武錦龍.基于改進(jìn)YOLOv7的輕量化櫻桃番茄成熟度檢測方法[J].農(nóng)業(yè)機(jī)械學(xué)報,2023,54(10):225-233.

[7]李紅丹,帥璐宇,徐雪環(huán),等.基于改進(jìn)YOLOv7的草莓成熟度檢測方法[J].四川農(nóng)業(yè)大學(xué)學(xué)報,2024,42(3):561-571.

[8]劉詩怡,胡濱,趙春.基于改進(jìn)YOLOv7的黃瓜葉片病蟲害檢測與識別[J].農(nóng)業(yè)工程學(xué)報,2023,39(15):163-171.

[9]陳青,殷程凱,郭自良,等.基于改進(jìn)YOLOv7的蘋果生長狀態(tài)及姿態(tài)識別[J].農(nóng)業(yè)工程學(xué)報,2024,40(6):258-266.

[10]龍燕,楊智優(yōu),何夢菲.基于改進(jìn)YOLOv7的疏果期蘋果目標(biāo)檢測方法[J].農(nóng)業(yè)工程學(xué)報,2023,39(14):191-199.

猜你喜歡
成熟度番茄損失
當(dāng)緊張遇見我
采收成熟度對烤煙上部葉品質(zhì)形成機(jī)制的影響
基于改進(jìn)YOLOv7的自然環(huán)境烏梅成熟度檢測方法
兩條守恒定律在解決碰撞模型中的應(yīng)用
智能電網(wǎng)設(shè)備公司質(zhì)量管理成熟度評價機(jī)制的建立與應(yīng)用
安徽農(nóng)業(yè)科學(xué)(2025年13期)2025-08-02 00:00:00
種植小番茄
色差儀在烤煙上部煙葉成熟度判別和烘烤過程中的應(yīng)用
變暖3℃,每個人都將“失去”早餐
連鑄切割過程的多目標(biāo)非線性混合規(guī)劃模型
主站蜘蛛池模板: 国产精品55夜色66夜色| 不卡无码网| 精品午夜国产福利观看| 亚洲成人高清无码| 国产拍揄自揄精品视频网站| 精品人妻无码中字系列| 亚洲最新地址| 十八禁美女裸体网站| 亚洲欧洲天堂色AV| 亚洲国产综合精品一区| 国产亚洲精品无码专| 丝袜美女被出水视频一区| 久久中文无码精品| 久操中文在线| 99热这里只有精品国产99| 久久96热在精品国产高清| 国内精品久久久久鸭| 亚洲午夜18| 日韩国产亚洲一区二区在线观看| 免费A级毛片无码无遮挡| 国产性生交xxxxx免费| 亚洲中文制服丝袜欧美精品| 精品视频福利| 国产特一级毛片| 久久免费看片| 中文字幕欧美成人免费| 精品伊人久久久久7777人| 成人精品区| 亚洲色中色| 免费欧美一级| 国产在线一区二区视频| 超级碰免费视频91| 无码专区国产精品第一页| 亚洲侵犯无码网址在线观看| 亚洲人成影视在线观看| 亚洲一级毛片在线观| 久草中文网| 国产人在线成免费视频| 综合色区亚洲熟妇在线| 992tv国产人成在线观看| 國產尤物AV尤物在線觀看| 国产高清不卡| 久久综合国产乱子免费| 精品国产成人av免费| 无码内射在线| 色国产视频| 国产地址二永久伊甸园| 亚洲国产综合精品一区| 特级欧美视频aaaaaa| YW尤物AV无码国产在线观看| 国产熟睡乱子伦视频网站| 欧美午夜在线播放| av大片在线无码免费| 91精品国产自产91精品资源| 亚洲Av综合日韩精品久久久| 在线精品视频成人网| 国产手机在线ΑⅤ片无码观看| 欧美午夜精品| 成年午夜精品久久精品| 九月婷婷亚洲综合在线| 青青操国产视频| 婷婷色中文网| 国产精品无码在线看| 亚洲精品无码在线播放网站| 亚洲高清中文字幕在线看不卡| 亚洲视频四区| 亚洲国语自产一区第二页| 特级毛片8级毛片免费观看| 网久久综合| 久久中文字幕av不卡一区二区| 欧美色图第一页| 狼友av永久网站免费观看| 国产精品污污在线观看网站| 精品无码国产一区二区三区AV| 欧美α片免费观看| 久久黄色影院| 人与鲁专区| 国产尹人香蕉综合在线电影| 无码AV动漫| 午夜国产不卡在线观看视频| 精品国产自在在线在线观看| 久久网欧美|