在自然環(huán)境下對(duì)火龍果進(jìn)行實(shí)時(shí)檢測(cè)是實(shí)現(xiàn)火龍果自動(dòng)化采摘的必要條件之一。該研究提出了一種輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)YOLOv4-LITE火龍果檢測(cè)方法。YOLOv4集成了多種優(yōu)化策略,YOLOv4的檢測(cè)準(zhǔn)確率比傳統(tǒng)的YOLOv3高出10%。但是YOLOv4的骨干網(wǎng)絡(luò)復(fù)雜,計(jì)算量大,模型體積較大,不適合部署在嵌入式設(shè)備中進(jìn)行實(shí)時(shí)檢測(cè)。將YOLOv4的骨干網(wǎng)絡(luò)CSPDarknet-53替換為MobileNet-v3,MobileNet-v3提取特征可以顯著提高YOLOv4的檢測(cè)速度。為了提高小目標(biāo)的檢測(cè)精度,分別設(shè)置在網(wǎng)絡(luò)第39層以及第46層進(jìn)行上采樣特征融合。使用2513張不同遮擋環(huán)境下的火龍果圖像作為數(shù)據(jù)集進(jìn)行訓(xùn)練測(cè)試,試驗(yàn)結(jié)果表明,該研究提出的輕量級(jí)YOLOv4-LITE模型Average Precision（AP）值為96.48%,F1值為95%,平均交并比為81.09%,模型大小僅為2.7MB。同時(shí)對(duì)比分析不同骨干網(wǎng)絡(luò),MobileNet-v3檢測(cè)速度大幅度提升,比YOLOv4的原CSPDarknet-53平均檢測(cè)時(shí)間減少了160.32 ms。YOLOv4-LITE在GPU上檢測(cè)一幅1 2... 

【文章來(lái)源】：農(nóng)業(yè)工程學(xué)報(bào). 2020,36(20)北大核心EICSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【文章目錄】：
0 Introduction
1 Materials and Methods
    1.1 Data collection
    1.2 Dataset preparation
    1.3 YOLO convolutional neural network
    1.4 YOLOv4-LITE lightweight neural network
        1.4.1 YOLOv4-LITE backbone network
        1.4.2 YOLOv4-LITE prediction network
2 Experiment
    2.1 Experimental platform
    2.2 Experimental parameters
    2.3 Model evaluation
3 Results and analysis
    3.1 Analysis of dragon fruit recognition results
    3.2 Analysis of different backbone networks
    3.3 Analysis of multi-scale prediction results
    3.4 Analysis of different network models
4 Conclusions


【參考文獻(xiàn)】：
期刊論文
[1]基于圖像和卷積神經(jīng)網(wǎng)絡(luò)的蝴蝶蘭種苗生長(zhǎng)勢(shì)評(píng)估（英文）[J]. 朱逢樂(lè),鄭增威.  農(nóng)業(yè)工程學(xué)報(bào). 2020(09)
[2]基于實(shí)例分割的柑橘花朵識(shí)別及花量統(tǒng)計(jì)[J]. 鄧穎,吳華瑞,朱華吉.  農(nóng)業(yè)工程學(xué)報(bào). 2020(07)
[3]自然環(huán)境下貼疊葡萄串的識(shí)別與圖像分割算法[J]. 劉平,朱衍俊,張同勛,侯加林.  農(nóng)業(yè)工程學(xué)報(bào). 2020(06)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的草莓識(shí)別方法[J]. 劉小剛,范誠(chéng),李加念,高燕俐,章宇陽(yáng),楊啟良.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2020(02)
[5]基于短波近紅外高光譜和深度學(xué)習(xí)的籽棉地膜分選算法[J]. 倪超,李振業(yè),張雄,趙嶺,朱婷婷,蔣雪松.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(12)
[6]融合FPN的Faster R-CNN復(fù)雜背景下棉田雜草高效識(shí)別方法[J]. 彭明霞,夏俊芳,彭輝.  農(nóng)業(yè)工程學(xué)報(bào). 2019(20)
[7]基于改進(jìn)YOLOv3-LITE輕量級(jí)神經(jīng)網(wǎng)絡(luò)的柑橘識(shí)別方法[J]. 呂石磊,盧思華,李震,洪添勝,薛月菊,吳奔雷.  農(nóng)業(yè)工程學(xué)報(bào). 2019(17)
[8]多通道深度可分離卷積模型實(shí)時(shí)識(shí)別復(fù)雜背景下甜菜與雜草[J]. 孫俊,譚文軍,武小紅,沈繼鋒,蘆兵,戴春霞.  農(nóng)業(yè)工程學(xué)報(bào). 2019(12)
[9]基于R-FCN深度卷積神經(jīng)網(wǎng)絡(luò)的機(jī)器人疏果前蘋果目標(biāo)的識(shí)別[J]. 王丹丹,何東健.  農(nóng)業(yè)工程學(xué)報(bào). 2019(03)
[10]基于卷積神經(jīng)網(wǎng)絡(luò)的田間多簇獼猴桃圖像識(shí)別方法[J]. 傅隆生,馮亞利,Elkamil Tola,劉智豪,李瑞,崔永杰.  農(nóng)業(yè)工程學(xué)報(bào). 2018(02)



本文編號(hào)：3344902