基于轻量型卷积神经网络的马铃薯种薯芽眼检测算法

摘要：

马铃薯种薯芽眼属于小目标物体,识别难度大、要求高.为了在试验台(芽眼识别装置)上快速、准确地完成识别任务,该研究提出一种基于轻量型卷积神经网络的芽眼检测模型.首先,为了降低模型的计算量和聚焦小目标物体,替换YOLOv4的主干网络CSPDarkNet-53为GhostNetV2轻量型特征提取网络;其次,在YOLOv4的颈部网络中,使用深度可分离卷积(depthwise separable convolution,DW)模块代替普通卷积块进一步降低模型计算量;最后,更改边界框损失函数为具有角度代价的边界框损失函数(SIoU),避免因预测框的位置不确定,而影响模型收敛速度和整体检测性能.结果表明,改进后芽眼检测模型参数量为 12.04 M,使用笔记本电脑CPU检测单张图片的时间为 0.148 s,从试验台收集的测试数据显示平均精度为89.13%.相对于其他主干特征提取网络CSPDarkNet-53、MobileNetV1、MobileNetV2、MobileNetV3、GhostNetV1,其检测精度分别高出 1.85、0.75、2.67、4.17、1.89个百分点;与同类目标检测模型SSD、Faster-RCNN、EifficientDet、CenterNet、YOLOv7相比,在检测精度上,分别高出 23.26、27.45、10.51、18.09、2.13个百分点,在检测时间上,分别降低 0.007、6.754、1.891、1.745、0.422 s,且模型参数量具有明显优势.该研究为小目标物体检测和模型部署提供技术支撑.

关键词：图像识别、卷积神经网络、马铃薯芽眼检测、小目标、YOLOv4、GhostNetV2

所属期刊栏目：39

分类号：TP391.4;S214.9;S24(计算技术、计算机技术)

资助基金：山东省农业重大应用技术创新项目SD2019NJ010

在线出版日期：2023-07-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：172-182