典型文献
基于改进YOLOX的自然环境中火龙果检测方法
文献摘要：
自然环境下果实的精准检测是火龙果采摘机器人执行采摘作业的先决条件.为提高自然环境下果实识别的精确性、鲁棒性和检测效率,本研究对YOLOX(You Only Look Once X)网络进行改进,提出了一种含有注意力模块的目标检测方法.为便于在嵌入式设备上部署,本方法以YOLOX-Nano网络为基准,将卷积注意力模块(Convolutional Block Attention Module,CBAM)添加到YOLOX-Nano的主干特征提取网络中,通过为主干网络提取到不同尺度的特征层分配权重系数来学习不同通道间特征的相关性,加强网络深层信息的传递,降低自然环境背景下对火龙果识别的干扰.对该方法进行性能评估和对比试验,经过训练后,该火龙果目标检测网络在测试集的AP0.5值为98.9％,AP0.5:0.95的值为72.4％.在相同试验条件下对比其它YOLO网络模型,该方法平均检测精度分别超越YOLOv3、YOLOv4-Tiny和YOLOv5-S模型26.2％、9.8％和7.9％.最后对不同分辨率的火龙果果园自然环境下采集的视频进行实时测试.试验结果表明,本研究提出的改进YOLOX-Nano目标检测方法,每帧平均检测时间为21.72 ms,F1值为0.99,模型大小仅3.76 MB,检测速度、检测精度和模型大小满足自然环境下火龙果采摘的技术要求.
文献关键词：
水果采摘;自然环境;火龙果;目标检测;YOLOX;注意力机制;深度学习
中图分类号：
作者姓名：
商枫楠;周学成;梁英凯;肖明玮;陈桥;罗陈迪
作者机构：
华南农业大学工程学院,广东广州510642;广东省农业人工智能重点实验室,广东广州510642;南方农业机械与装备关键技术教育部重点实验室,广东广州510642
文献出处：
引用格式：
[1]商枫楠;周学成;梁英凯;肖明玮;陈桥;罗陈迪-.基于改进YOLOX的自然环境中火龙果检测方法)[J].智慧农业（中英文）,2022(03):120-131
A类：
B类：
YOLOX,中火,火龙果,精准检测,采摘机器人,采摘作业,先决条件,果实识别,精确性,检测效率,You,Only,Look,Once,目标检测方法,嵌入式设备,Nano,卷积注意力模块,Convolutional,Block,Attention,Module,CBAM,主干特征提取网络,过为,主干网络,取到,不同尺度,层分配,分配权重,权重系数,环境背景,性能评估,经过训练,目标检测网络,测试集,AP0,试验条件,检测精度,YOLOv3,YOLOv4,Tiny,YOLOv5,果园,检测时间,ms,MB,检测速度,水果采摘,注意力机制
AB值：
0.41301
相似文献
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。
