农业机械学报

作者：王昱，姚兴智，李斌，徐赛，易振峰，赵俊宏

单位：华南农业大学,华南农业大学,岭南现代农业科学与技术广东省实验室;广东省农业科学院,岭南现代农业科学与技术广东省实验室;广东省农业科学院,华南农业大学,岭南现代农业科学与技术广东省实验室;广东省农业科学院,

关键词：甜椒畸形果;YOLO v7-tiny;目标检测;机器视觉

基金：岭南现代农业科学与技术广东省实验室科研项目（NT2021009）、国家自然科学基金面上项目（32372002）、广东省农业科学院科技人才引进专项资金项目（R2019YJ-YB3003）、广东省农业科学院协同创新中心项目（XT202201)和广东省重点领域研发计划项目（2023B0202090001）

甜椒在生长发育过程中容易产生畸形果，机器代替人工对甜椒畸形果识别和摘除一方面可提高甜椒品质和产量，另一方面可解决当前人工成本过高、效率低下等问题。为实现机器人对甜椒果实的识别，提出了一种基于改进YOLO v7-tiny目标检测模型，用于区分正常生长和畸形生长的甜椒果实。将无参数注意力机制（Parameter?free attention module, SimAM）融合到骨干特征提取网络中，增强模型的特征提取和特征整合能力；用Focal-EIOU（Focal and efficient intersection over union）损失替换原损失函数CIOU（Complete intersection over union），加快模型收敛并降低损失值；使用SiLU激活函数代替原网络中的Leaky ReLU，增强模型的非线性特征提取能力。试验结果表明，改进后的模型整体识别精确度、召回率、平均精度均值（Mean average precision, mAP）mAP0.5、mAP0.5-0.95分别为99.1%、97.8%、98.9%、94.5%，与改进前相比，分别提升5.4、4.7、2.4、10.7个百分点，模型内存占用量为 10.6MB，单幅图像检测时间为4.2ms。与YOLO v7、Scaled-YOLO v4、YOLOR-CSP等目标检测模型相比，模型在F1值上与YOLO v7相同，相比Scaled-YOLO v4、YOLOR-CSP分别提升0.7、0.2个百分点，在mAP0.5-0.95上分别提升0.6、1.2、0.2个百分点，而内存占用量仅为上述模型的14.2%、10.0%、10.0%。本文所提出的模型实现了小体量而高精度，便于在移动端进行部署，为后续机械化采摘和品质分级提供技术支持。

来源：2023年第11期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2023年第11期