摘要
针对复杂果园环境下,不同生长周期的番茄容易受叶片、藤蔓的遮挡,以及多果实之间相互遮挡进而导致的误检、漏检、难检问题,提出了一种基于改进YOLO v5s的番茄生长周期采摘实时检测方法。首先,设计多尺度反向自适应注意力模块RAAM(Reversed Adaptive Attention Module),用于解决原模型连续下采样丢失上下文信息的问题,并可以提升特征图分辨率用于高层语义信息的加权融合。其次,在Neck中设计C3DS-ST(C3 DySnakeConv-Swin Transformer)模块替换原有C3,增大局部区域坐标特征感知能力,适应整体番茄结构形状特征。最后,设计新的边框损失函数SWD_Loss,结合BiFormer注意力机制,使网络更加关注敏感区域,提高模型对遮挡部分的漏检率和多果实遮挡的检测精度。试验结果表明,改进后的模型在测试集上对番茄检测平均精度达到93.7%,相比于原模型提升2.1%,对图片中遮挡部分效果明显改善。同时,检测速度达到了50帧/s,具有非常良好的应用前景。
出处
《江苏农业科学》
北大核心
2024年第24期187-195,共9页
Jiangsu Agricultural Sciences
基金
江西省教育厅科技计划项目(编号:GJJ210861、GJJ200879)。
