基于改进YOLOv7模型的柑橘表面缺陷在线检测

• Published in: 农业工程学报 Vol. 39; no. 23; pp. 142 - 151
• Main Authors: 贾雪莹, 赵春江, 周娟, 王庆艳, 梁晓婷, 何鑫, 黄文倩, 张驰
• Format: Journal Article
• Language: Chinese
• Published: 上海海洋大学信息学院,上海 201306 01.12.2023; 北京市农林科学院信息技术研究中心,北京 100097; 北京市农林科学院智能装备技术研究中心,北京 100097; 北京市农林科学院信息技术研究中心,北京 100097%陕西铁路工程职业技术学院,渭南 714000%北京市农林科学院智能装备技术研究中心,北京 100097
• Subjects: 注意力机制; deep learning; attention mechanism; YOLOv7; 深度学习; surface defects; 无损检测; 柑橘; nondestructive determination; 表面缺陷; TensorRT; citrus
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.202308138

TP391.4%S24; 柑橘表面缺陷是水果检测分级的重要依据,针对传统柑橘表面缺陷检测方法效率低、精度低等问题,该研究提出一种柑橘表面缺陷的实时检测方法.该方法首先对柑橘图像进行图像增强,然后利用提出的YOLOv7-CACT模型对柑橘表面缺陷进行检测,该模型在YOLOv7模型骨干网络中引入坐标注意力模块(coordinate attention,CA),从而提高模型对缺陷部分的关注度.在网络头部引入CT(contextual transformer,CT)模块,融合静态和动态上下文表征特征,从而增强缺陷部分特征表达能力.通过试验确定CA模块和CT模块的最佳位置.改进后的YOLOv7-CACT模型检测结果平均精度均值(mean average precision,mAP)相较于原始模型增加了 4.1个百分点,达到 91.1%,满足了实际生产中对柑橘缺陷检测精度的要求.最后将基于YOLOv7-CACT的柑橘检测模型通过TensorRT进行部署,试验结果表明模型的推理时间满足柑橘生产线 10个/s的实时分选要求,总体的检测精度达到 94.4%,为柑橘表面缺陷在线检测提供了一种精准的实时检测方法.