基于改进YOLO-v4的果园环境下葡萄检测

作者：肖张娜; 罗陆锋^*; 陈明猷; 王金海; 卢清华; 骆少明

来源：智能化农业装备学报(中英文), 2023, 4(02): 35-43.

• 葡萄
• 机器人
• YOLO-v4
• 注意力机制
• 目标检测

针对果园环境下葡萄生长场景复杂多变，葡萄机器人难以根据视觉检测结果制定无碰撞采摘策略的问题，提出了一种基于改进YOLO-v4的不同遮挡状态葡萄检测方法。首先，根据果园环境下葡萄的生长场景状态，将葡萄分别标记为4种类型：无遮挡葡萄，叶片遮挡葡萄，枝干遮挡葡萄，重叠遮挡葡萄；然后采用YOLO-v4框架作为检测模型，将注意力机制模型(CBAM)分别嵌入YOLO-v4框架中的主干网络(CSPDarknet53,YOLO-C-C)和路径聚合网络(PANet, YOLO-C-P),通过对CSPDarknet53和PANet网络特征提取过程进行目标注意，增强网络对葡萄特征的提取能力，降低复杂场景的干扰，以期达到果园环境下不同遮挡葡萄的高精确度检测；最后通过比较YOLO-C-C和YOLO-C-P网络的识别精确度与F1得分，得到最适合果园遮挡场景下的葡萄检测模型YOLO-C-P。对该方法的性能评估及与其他算法对比试验结果表明，YOLO-C-P模型对无遮挡、叶片遮挡、枝干遮挡、重叠遮挡的葡萄检测精确度分别为91.26%、92.47%、92.41%、90.65%,平均F1得分为91.71%;与同系列模型YOLO-v4、YOLO-X-X、YOLO-v5-X相比，F1得分分别提升了12.62、8.65、5.31个百分点。平均识别一幅图像的时间为0.13 s。该研究能够快速、有效识别无遮挡、叶片遮挡、枝干遮挡、重叠遮挡情况下的葡萄，可帮助机器人制定果园环境下的采摘策略(采摘顺序和路径规划),以避免因遮挡导致的碰撞造成采摘失败，为葡萄机器人提供了一种果园采摘辅助决策方法。

• 单位
  自动化学院; 佛山科学技术学院