农业机械学报

作者：苗荣慧，李港澳，黄宗宝，李志伟，杜慧玲

单位：山西农业大学,山西农业大学,山西农业大学,山西农业大学,山西农业大学,

关键词：苹果;成熟度检测;复杂果园环境;YOLO v7;窗口多头自注意力机制;ASFF

基金：财政部和农业农村部：国家现代农业产业技术体系建设项目（CARS-06-14.5-A21）、中央引导地方科技发展资金项目（YDZJSX20231A042）、山西省谷子现代农业产业技术体系建设项目（2023CYJSTX04-04）、山西省重点研发重大项目（2022ZDYF119）和山西省基础研究计划项目（202203021212428）

针对复杂果园环境下目标检测算法参数量大、鲁棒性差等问题，本文提出一种改进的YOLO v7网络模型用于苹果成熟度（未成熟、半成熟、成熟）检测。以YOLO v7为基线网络，在特征提取结构中引入窗口多头自注意力机制（Swin transformer，ST），极大地降低网络参数量与计算量；为提高模型对远景图像中小目标的检测能力，在特征融合结构中引入自适应空间特征融合（Adaptively spatial feature fusion，ASFF）模块优化Head部分，有效利用图像的浅层特征和深层特征，加强特征尺度不变性；采用WIoU（Wise intersection over union）代替原始CIoU（Complete intersection over union）损失函数，在提高检测准确率的同时加快模型收敛速度。试验结果表明，本文改进的YOLO v7-ST-ASFF模型在苹果图像测试集上的检测速度和准确率均有显著提高，不同成熟度检测精确率、召回率和平均精度均值可达92.5%、84.2%和93.6%，均优于Faster R-CNN、SSD、YOLO v3、YOLO v5、YOLO v7以及YOLO v8目标检测模型；针对多目标、单目标、顺光、逆光、远景、近景以及套袋、未套袋苹果目标的检测效果都较好；本文网络模型内存占用量为53.4MB，模型平均检测时间（Average detection time，ADT）为45.ms，均优于其他目标检测模型。改进的YOLO v7-ST-ASFF模型能够满足复杂果园环境下苹果目标的检测，可为果蔬机器人自动化采摘提供技术支撑。

来源：2024年第6期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2024年第6期