基于改進的YOLO系列算法的溫室葫蘆科果實實時檢測

水果和蔬菜通常對人類健康很重要,，因為它們富含許多營養(yǎng)素,，包括鉀、葉酸,、維生素 C,、膳食纖維等。隨著日益增長的果蔬需求,，農(nóng)業(yè)機器人成為收獲,、修剪、

局部噴施等栽培任務(wù)中的熱門手段,，這促進了果蔬檢測圖像分析和計算機視覺方法的發(fā)展,。然而，復(fù)雜溫室環(huán)境下的葫蘆科果實時檢測算法存在諸多挑戰(zhàn),，

如葉片遮擋,、果實重疊、逆光,、正光等等都是其中的挑戰(zhàn)之一,。與此同時，果實檢測算法被期望具有通用性,、輕量級,、準確和快速的特點。

為此,，本研究提出了一種改進的YOLO序列檢測算法用于溫室葫蘆科果實檢測,，并與YOLOv4、YOLOv5算法進行了比較,。研究采用高光譜相機采集了苦瓜,、黃瓜、甜瓜和博洋蜜瓜的果實圖像（共2469張,，分別為665,、664、404和736張）,，其中包含葉片遮擋,、果實重疊、枝干遮擋,、背光,、正光等各種環(huán)境條件的圖像（如圖1所示）,，

并將其隨即劃分為訓(xùn)練集80%、驗證集15%和測試集5%,。由于輕量級的YOLOv4、YOLOv5檢測速度快,，本研究以此作為框架,，在此基礎(chǔ)上，Neck網(wǎng)絡(luò)

（如圖3所示）采用路徑聚合網(wǎng)絡(luò)(PANet)和特征金字塔網(wǎng)絡(luò)(FPN)分別將YOLOv4和YOLOv5的骨干殘差塊排列從1,、2,、8、8,、4改進為2,、3、4,、3,、2，F(xiàn),、3,、9、9,、3改進為F,、3、4,、3,、2（如圖2和表1所示）。結(jié)果表明,，與YOLOv4和YOLOv5的Backbone相比,，改進后的Backbone的檢測精度更高，速度更快,。添加PANet的頸部的準確度高于FPN,，但FPN的檢測時間較少。在所測試的改進算法中,，YOLOv4RPANet檢測結(jié)果的平均準確率為91.5%,，平均檢測時間為5.0 ms，優(yōu)于YOLOv4和YOLOv5（如表2所示）,。盡管存在差異,，其他改進的YOLO系列檢測算法也是輕量級的，在更好的泛化性,、實時檢測果實以及偽標簽生成器方面具有巨大前景,，適用于采摘/收獲機器人,。

                           圖1 各種條件下的果實圖像：(a)被葉片遮擋；(b)重疊,；(c)被枝干遮擋,；(d)b背光；(e)正光,；(f)YOLO注釋規(guī)則,，包含對象類、坐標,、高度和寬度,。

                                                                             圖2 研究采用的改進(a)YOLOv5和 (b)YOLOv4 Backbone的果實檢測算法。

                                                                                                     圖3 (a)FPN和(b)PANet的Neck網(wǎng)絡(luò),。

                                                                                                   表1 研究所采用的訓(xùn)練模型的總結(jié)

                                                                                                            表2 YOLO系列檢測算法的平均結(jié)果