农业机械学报

作者：刘天真，滕桂法，苑迎春，刘博，刘智国

单位：河北农业大学;保定学院,河北农业大学,河北农业大学,河北农业大学,石家庄学院,

关键词：冬枣;自然场景;果实识别;YOLO v3;卷积神经网络;SE Net

基金：国家重点研发计划项目(2019YFD1001605)、国家自然科学基金项目(61972132)、河北省研究生创新资助项目(CXZZBS2019090)和河北省高等学校科学研究项目青年基金项目(QN2018084、QN2021409)

为实现自然场景下冬枣果实的快速、精准识别，考虑到光线变化、枝叶遮挡、果实密集重叠等复杂因素，基于YOLO v3深度卷积神经网络提出了一种基于改进YOLO v3（YOLO v3-SE）的冬枣果实识别方法。YOLO v3-SE模型利用SE Net 的SE Block结构将特征层的特征权重校准为特征权值，强化了有效特征，弱化了低效或无效特征，提高了特征图的表现能力，从而提高了模型识别精度。YOLO v3-SE模型经过训练和比较，选取0.55作为置信度最优阈值用于冬枣果实检测，检测结果准确率P为88.71%、召回率R为83.80%、综合评价指标F为86.19%、平均检测精度为82.01%，与YOLO v3模型相比，F提升了2.38个百分点，mAP提升了4.78个百分点，检测速度无明显差异。为检验改进模型在冬枣园自然场景下的适应性，在光线不足、密集遮挡和冬枣不同成熟期的情况下对冬枣果实图像进行检测，并与YOLO v3模型的检测效果进行对比，结果表明，本文模型召回率提升了2.43~5.08个百分点，F提升了1.75~2.77个百分点，mAP提升了2.38~4.81个百分点，从而验证了本文模型的有效性。

来源：2021年第5期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2021年第5期