农业机械学报

作者：张传栋，高鹏，亓璐，丁华立

单位：济宁学院,曲阜师范大学,济宁学院,济宁学院,

关键词：葡萄幼果;疏果;目标检测;shuffle attention;YOLO v8n;Wise-IoU Loss

基金：中国博士后科学基金项目（2023M732022）和济宁市重点研发计划项目(2021ZDZP025)

葡萄簇幼果果实受背景色、遮挡和光照变化的影响，检测难度大。为了实现对背景色、遮挡和光照变化具有鲁棒性的葡萄簇幼果检测，提出了一种融合随机注意力机制（Shuffle attention，SA）的改进YOLO v8n模型（SAW-YOLO v8n)。通过在YOLO v8n模型的Neck结构中融入SA机制，增强网络多尺度特征融合能力，提升检测目标的特征信息表示，并抑制其他无关信息，提高检测网络检测精度，在不明显增加网络深度和内存开销的情况下，实现了葡萄簇幼果的高效准确检测;采用基于动态非单调聚焦机制的损失（Wise intersection over union loss，Wise-IoU Loss）作为边界框回归损失函数，加速网络收敛并进一步提高模型的准确率。构建了葡萄簇幼果的数据集GGrape，该数据集由3 780幅复杂场景下的葡萄簇幼果图像及对应标注文件组成。通过该数据集对SAW-YOLO v8n模型进行训练和测试。测试结果表明，基于SAW-YOLO v8n的葡萄簇幼果检测算法的精度（Precision，P）、召回率（Recall，R）、平均精度均值（Mean average precision，mAP）和F1值分别为92.80%、91.30%、96.10%和92.04%，检测速度为140.85 f/s，模型内存占用量为6.20 MB。与SSD、YOLO v5s、YOLO v6n、YOLO v7-tiny、YOLO v8n等5个轻量化模型相比，其mAP值分别提高16.06%、1.05%、1.48%、0.84%、0.73%，F1值分别提高24.85%、1.43%、1.43%、1.09%、1.60%，模型内存占用量分别降低93.16%、56.94%、37.63%、47.00%、0，是所有模型中最小的，具有明显的轻量化、高精度优势。讨论了不同遮挡程度和光照条件的葡萄幼果检测，结果表明，基于SAW-YOLO v8n的葡萄幼果检测方法能适应不同遮挡和光照变化，具有良好的鲁棒性。结果表明，SAW-YOLO v8n不仅能满足对葡萄簇幼果检测的高精度、高速度、轻量化的要求，且具有较强的鲁棒性和实时性。

来源：2024年第10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10期