科研之友
微信
新浪微博
Facebook
分享链接
摘要
为解决在自然环境下对樱桃不同生长时期的状态监测受环境影响存在目标识别困难、检测准确率低的问题，提出了一种基于CSPDarknet53改进的卷积神经网络樱桃分类检测模型。经典YOLOV4所使用的特征提取网络层数较深，能够提取更高级的抽象特征，但是对目标局部感知能力较弱，通过在CSPDarknet53网络结构上融合CBAM注意力机制，增强了目标局部特征感知能力，进一步提升目标检测精度，其特征提取和目标检测能力优于原算法，调整特征提取网络的特征层输出，将第三层输出变为第二层输出以增加小目标语义信息的获取，利用k-means算法优化先验框尺寸以适应樱桃目标大小，并进行了消融实验分析。结果表明，改进的YOLOV4樱桃检测模型模型的平均精度达到了92.31%,F1分数达到了87.3%,优于Faster RCNN、YOLOV3和原来的YOLOV4算法，检测速度为40.23幅·s-1,适用于自然环境下的樱桃监测，为实现果园水果生长状态自动监测提供了理论和技术基础。
- 单位
