采用改进YOLOv3-Tiny模型的轻量化莲蓬质量分级算法

S126; 精准高效的莲蓬质量分级算法是实现莲蓬采后自动化加工的重要一环.针对目前莲蓬果实的采后质量分级研究较少的问题,该研究建立了莲蓬果实质量分级原则,提出了改进YOLOv3-Tiny(you only look once version 3-Tiny)模型的莲蓬质量分级算法.首先在3种光照条件下架设摄像头垂直采集莲蓬图像并建立试验数据集,通过数据增强技术扩充数据集;接着使用K均值聚类算法重新设计先验锚框尺度,提高先验锚框的回归精度.随后以YOLOv3-Tiny原骨干网络为基础,加入空间金字塔池化模块(spatial pyramid pooling,SPP),提升网络提取特征信息的能力;最后...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 40; no. 23; pp. 248 - 257
Main Authors 张雷, 严昊, 贾永镒, 叶秉良, 马锃宏
Format Journal Article
LanguageChinese
Published 浙江理工大学机械工程学院,杭州 310018 01.12.2024
浙江省农业智能感知与机器人全省重点实验室,杭州 310018%浙江理工大学机械工程学院,杭州 310018
Subjects
deep learning
models
YOLOv3-Tiny
深度学习
模型
lotus
莲蓬
分级
classification
轻量化
lightweight
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.202405093

Cover

More Information
Summary:S126; 精准高效的莲蓬质量分级算法是实现莲蓬采后自动化加工的重要一环.针对目前莲蓬果实的采后质量分级研究较少的问题,该研究建立了莲蓬果实质量分级原则,提出了改进YOLOv3-Tiny(you only look once version 3-Tiny)模型的莲蓬质量分级算法.首先在3种光照条件下架设摄像头垂直采集莲蓬图像并建立试验数据集,通过数据增强技术扩充数据集;接着使用K均值聚类算法重新设计先验锚框尺度,提高先验锚框的回归精度.随后以YOLOv3-Tiny原骨干网络为基础,加入空间金字塔池化模块(spatial pyramid pooling,SPP),提升网络提取特征信息的能力;最后利用YOLOv3-Tiny的参数进化模块为该模型进化出一套合适的超参数.试验结果表明,改进的YOLOv3-Tiny模型对莲子识别的平均精度均值(mean average precision,mAP)和召回率(recall)分别为 96.80％和 94.60％;与原 YOLOv3-Tiny 模型相比,mAP提高12.49个百分点,召回率提高11.59个百分点,并且每秒传输帧数达到25帧,是Faster R-CNN网络模型的1.24倍.试验数据说明所提改进算法对于莲蓬果实上的莲子具有更好的识别效果,而且满足实时检测的要求,可以为莲蓬质量分级研究提供技术参考.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.202405093