采用天气增强与八度卷积改进YOLOv5的番茄检测模型构建

作者：代国威; 樊景超^*; 胡林

来源：山东农业科学, 2022, 54(11): 138-149.

DOI：10.14083/j.issn.1001-4942.2022.11.018

• 机器视觉
• 目标检测
• 番茄
• 八度卷积
• YOLOv5
• 注意力机制
• 天气增强

温室番茄的自动检测对于降低成本和优化管理至关重要。为实现温室番茄采收过程的自动化，我们提出了一种基于八度卷积与注意力机制改进YOLOv5的温室番茄检测方法。首先，利用八度卷积提取图像的高低频特征信息，压缩低频特征图的空间分辨率以减少冗余空间信息，有效地将感受野扩大了2倍，并降低了模型的参数与浮点计算量；其次，将注意力机制(CBAM)融入特征提取网络Backbone中，以从复杂的背景颜色中提取更易区分的特征模式；然后，使用雨滴变换、雾气变换、太阳光照变换、阴影变换4种天气增强技术，增强数据集的多样性与模型的鲁棒性；最后，采用BCEWithLogitLoss损失函数使处理样本不均衡，并由SmoothBCE与QFocalLoss克服模型过拟合。采用从智能温室中拍摄的实际图像数据建立数据集，并对数据进行标注扩充，将样本容量扩至1 150幅图像，对提出的模型进行验证。结果表明，该模型的平均准确率和检测时间分别为94.58%和21 ms。与Faster R-CNN、SSD、YOLOv3、YOLOv4、YOLOX和原始YOLOv5网络相比，该模型在智能温室环境下的番茄检测中取得了最佳性能，可为番茄采摘机器人的高效运行提供稳定可靠的信息。

• 单位
  中国农业科学院; 中国农业科学院农业信息研究所