典型文献
复杂野外环境下油茶果快速鲁棒检测算法
文献摘要：
为了提高移动采摘机器人在复杂野外环境下检测油茶果的速度和鲁棒性,在YOLOv4-tiny网络的基础上提出YOLO-Oleifera网络.首先将两个1×1和3×3的卷积核分别添加至YOLOv4-tiny网络的第2个和第3个CSPBlock模块之后,以有助于学习油茶果的特征信息和减少计算复杂度;接着使用K-means++先验框聚类算法代替YOLOv4-tiny网络使用的K-means先验框聚类算法,以获得满足油茶果尺寸的聚类结果.消融实验证明了网络改进的有效性.分别测试光照和阴影环境下的油茶果图像,实验表明YOLO-Oleifera网络在不同光照条件下检测油茶果具有鲁棒性.此外,对比实验表明被遮挡的油茶果因为语义信息的缺失而导致Precision和Recall降低.将YOLO-Oleifera网络的测试结果与YOLOv5-s、YOLOv3-tiny和YOLOv4-tiny网络进行比较,结果显示YOLO-Oleifera网络的AP最高,而且YOLO-Oleifera网络占用硬件资源最小.此外,YOLO-Oleifera网络检测图像平均花费31 ms,能够满足移动采摘机器人的实时检测需求.因此,提出的YOLO-Oleifera网络更加适合搭载在移动采摘机器人上进行检测任务.
文献关键词：
目标检测;YOLOv4-tiny网络;深度学习;卷积核;采摘机器人;K-means++;鲁棒性
中图分类号：
作者姓名：
周浩;唐昀超;邹湘军;王红军;陈明猷;黄钊丰
作者机构：
华南农业大学 工程学院,广东 广州 510630;仲恺农业工程学院 城乡建设学院,广东 广州 510080
文献出处：
引用格式：
[1]周浩;唐昀超;邹湘军;王红军;陈明猷;黄钊丰-.复杂野外环境下油茶果快速鲁棒检测算法)[J].现代电子技术,2022(15):73-79
A类：
Oleifera
B类：
野外环境,下油,油茶果,检测算法,采摘机器人,YOLOv4,tiny,卷积核,CSPBlock,特征信息,少计,计算复杂度,means++,先验框,聚类算法,网络使用,消融实验,阴影,光照条件,遮挡,果因,语义信息,Precision,Recall,YOLOv5,YOLOv3,AP,硬件资源,网络检测,花费,ms,实时检测,搭载,目标检测
AB值：
0.250286
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。
