典型文献
基于改进Tiny-YOLOv5l算法的串型番茄定位与计数
文献摘要：
目的:提高串型番茄分拣效率,减少误检、错检.方法:采集串型番茄图像数据集,通过数据增强扩充数据并提高模型的泛化性能,将YOLOv5l框架内的Bottleneck层中的3×3卷积替换为改进的SVM-MHSA层,通过将MHSA中softmax分类函数替换为更适用于串型番茄的SVM分类函数;将检测框架中剩余3×3卷积替换为深度可分离卷积,引入随机纠正线性单元提高网络训练收敛速度.结果:改进后的Tiny-YOLOv5l模型可有效实现串型单果识别定位、整串果实计数,检测框损失率由1.48％ 降低至1.34％,目标损失率由1.98％降低至1.73％,置信度损失降低了1.4％,精度由97.36％提升至98.89％,召回率由97.35％提升至98.56％.结论:Tiny-YOLOv5l算法更加精准且兼具轻量化,面对遮挡、背景干扰、光照变化、虚化等挑战具有较高的识别准确率,可为产后串型番茄分拣人员提供准确的单果位置信息以及整串果实数量信息.
文献关键词：
深度学习;分类函数;串型番茄;复杂场景
中图分类号：
作者姓名：
赵九霄;张馨;史凯丽;李晶晶;李作麟
作者机构：
北京市农林科学院信息技术研究中心,北京 100097;农业农村部农业信息软硬件产品质量检测重点实验室,北京 100097;北京市农林科学院智能装备技术研究中心,北京 100097
文献出处：
引用格式：
[1]赵九霄;张馨;史凯丽;李晶晶;李作麟-.基于改进Tiny-YOLOv5l算法的串型番茄定位与计数)[J].食品与机械,2022(12):79-86
A类：
串型番茄
B类：
Tiny,YOLOv5l,分拣效率,图像数据集,数据增强,充数,泛化性能,Bottleneck,MHSA,softmax,分类函数,检测框架,深度可分离卷积,正线,网络训练,收敛速度,单果,识别定位,损失率,置信度损失,召回率,遮挡,背景干扰,虚化,战具,识别准确率,果位,位置信息,实数,复杂场景
AB值：
0.340255
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。
