典型文献
采用天气增强与八度卷积改进YOLOv5的番茄检测模型构建
文献摘要：
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1150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.
文献关键词：
机器视觉;目标检测;番茄;八度卷积;YOLOv5;注意力机制;天气增强
中图分类号：
作者姓名：
代国威;樊景超;胡林
作者机构：
中国农业科学院农业信息研究所/国家农业科学数据中心,北京 100081;中国农业科学院国家南繁研究院,海南 三亚 572024
文献出处：
引用格式：
[1]代国威;樊景超;胡林-.采用天气增强与八度卷积改进YOLOv5的番茄检测模型构建)[J].山东农业科学,2022(11):138-149
A类：
天气增强,BCEWithLogitLoss,SmoothBCE,QFocalLoss
B类：
八度卷积,YOLOv5,检测模型,温室番茄,自动检测,降低成本,优化管理,采收,收过,注意力机制,机制改进,高低频特征,特征信息,特征图,空间分辨率,冗余空间,空间信息,感受野,浮点计算,计算量,CBAM,特征提取网络,Backbone,背景颜色,特征模式,雨滴,雾气,太阳光,阴影,增强技术,损失函数,样本不均衡,过拟合,智能温室,图像数据,样本容量,平均准确率,检测时间,ms,Faster,SSD,YOLOv3,YOLOv4,YOLOX,温室环境,番茄采摘机器人,高效运行,机器视觉,目标检测
AB值：
0.379739
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
