基于改进YOLOv7的复杂环境下红花采摘识别

S225%TP391; 针对光照、遮挡、密集以及样本数量不均衡等复杂环境造成红花机械化采摘识别不准问题,该研究提出一种基于YOLOv7的改进模型,制作红花样本数据集建立真实采摘的复杂环境数据,增加Swin Transformer注意力机制提高模型对各分类样本的检测精准率,改进Focal Loss损失函数提升多分类任务下不均衡样本的识别率.经试验,改进后的模型各类别样本的检测平均准确率达到 88.5％,与改进前相比提高了 7 个百分点,不均衡类别样本平均精度提高了 15.9 个百分点,与其他模型相比,检测平均准确率与检测速度均大幅提升.改进后的模型可以准确地实现对红花的检测,模型参数量小,识别速...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 39; no. 6; pp. 169 - 176
Main Authors 王小荣, 许燕, 周建平, 陈金荣
Format Journal Article
LanguageChinese
Published 新疆大学机械工程学院,乌鲁木齐 830017 01.03.2023
新疆维吾尔自治区农牧机器人及智能装备工程研究中心,乌鲁木齐 830017%新疆大学机械工程学院,乌鲁木齐 830017
Subjects
注意力机制
复杂环境
图像处理
YOLOv7
图像识别
红花采摘
多分类Focal Loss损失函数
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.202211164

Cover

More Information
Summary:S225%TP391; 针对光照、遮挡、密集以及样本数量不均衡等复杂环境造成红花机械化采摘识别不准问题,该研究提出一种基于YOLOv7的改进模型,制作红花样本数据集建立真实采摘的复杂环境数据,增加Swin Transformer注意力机制提高模型对各分类样本的检测精准率,改进Focal Loss损失函数提升多分类任务下不均衡样本的识别率.经试验,改进后的模型各类别样本的检测平均准确率达到 88.5％,与改进前相比提高了 7 个百分点,不均衡类别样本平均精度提高了 15.9 个百分点,与其他模型相比,检测平均准确率与检测速度均大幅提升.改进后的模型可以准确地实现对红花的检测,模型参数量小,识别速度快,适合在红花采摘机械上进行迁移部署,可为红花机械化实时采摘研究提供技术支持.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.202211164