典型文献
基于改进YOLOv4模型的全景图像苹果识别
文献摘要：
苹果果园由于密植栽培模式,果树之间相互遮挡,导致苹果果实识别效果差,并且普通的图像采集方式存在图像中果实重复采集的问题,使得果实计数不准确.针对此类问题,该研究采用全景拍摄的方式采集苹果果树图像,并提出了一种基于改进YOLOv4和基于阈值的边界框匹配合并算法的全景图像苹果识别方法.首先在YOLOv4主干特征提取网络的Resblock模块中加入scSE注意力机制,将PANet模块中的部分卷积替换为深度可分离卷积,且增加深度可分离卷积的输出通道数,以增强特征提取能力,降低模型参数量与计算量.将全景图像分割为子图像,采用改进的YOLOv4模型进行识别,通过对比Faster R-CNN、CenterNet、YOLOv4系列算法和YOLOv5系列算法等不同网络模型对全景图像的苹果识别效果,改进后的YOLOv4网络模型精确率达到96.19％,召回率达到了95.47％,平均精度达到97.27％,比原YOLOv4模型分别提高了1.07、2.59、2.02个百分点.采用基于阈值的边界框匹配合并算法,将识别后子图像的边界框进行匹配与合并,实现全景图像的识别,合并后的结果其精确率达到96.17％,召回率达到95.63％,F1分数达到0.96,平均精度达到95.06％,高于直接对全景图像苹果进行识别的各评价指标.该方法对自然条件下全景图像的苹果识别具有较好的识别效果.
文献关键词：
图像识别;YOLOv4;苹果;scSE;深度可分离卷积;边界框匹配合并
中图分类号：
作者姓名：
周桂红;马帅;梁芳芳
作者机构：
河北农业大学信息科学与技术学院,保定 071001;河北省农业大数据重点实验室,保定 071001
文献出处：
引用格式：
[1]周桂红;马帅;梁芳芳-.基于改进YOLOv4模型的全景图像苹果识别)[J].农业工程学报,2022(21):159-168
A类：
边界框匹配合并,Resblock
B类：
YOLOv4,全景图像,苹果识别,果园,密植栽培,栽培模式,遮挡,苹果果实,果实识别,图像采集,采集方式,复采,苹果果树,树图,主干特征提取网络,scSE,注意力机制,PANet,分卷,深度可分离卷积,通道数,特征提取能力,模型参数量,计算量,图像分割,子图像,Faster,CenterNet,YOLOv5,精确率,召回率,百分点,别后,自然条件,别具,图像识别
AB值：
0.270246
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。
