采用改进YOLOv4-tiny的复杂环境下番茄实时识别

作者：杨坚; 钱振; 张燕军; 秦宇; 缪宏

来源：农业工程学报, 2022, 38(09): 215-221.

• 机器视觉
• 深度学习
• 注意力机制
• 番茄
• YOLO
• 密集连接结构

实时识别番茄的成熟度是番茄自主采摘车的关键功能。现有目标识别算法速度慢、对遮挡番茄和小番茄识别准确率低。因此，该研究提出一种基于改进YOLOv4-tiny模型的番茄成熟度识别方法。在头部网络（Headnetwork）部分增加一个76×76的检测头（y3）来提高小番茄的识别准确率。为了提高被遮挡番茄的识别准确率，将卷积注意力模块（Convolution Block Attention Module,CBAM）集成到YOLOv4-tiny模型的骨干网络（Backbone network）部分。在深层卷积中使用Mish激活函数替代ReLU激活函数以保证提取特征的准确性。使用密集连接的卷积网络（Densely Connected Convolution Networks, DCCN）来加强全局特征融合，并建立红风铃番茄成熟度识别的数据集。试验结果表明，与YOLOv3、YOLOv4、YOLOv4-tiny、YOLOv5m和YOLOv5l模型相比，改进YOLOv4-tiny-X模型的平均精度均值（meanAverage Precision, mAP）分别提高了30.9、0.2、0.7、5.4和4.9个百分点，在Nvidia GTX 2060 GPU上达到111帧/s的速度，平均精度均值达到97.9%。不同模型的实时测试可视化结果表明，改进模型能够有效解决遮挡和小番茄识别准确率低的问题，可为番茄采摘车研制提供参考。

• 单位
  扬州大学