10.11975/j.issn.1002-6819.202305100
复杂环境下黄花菜识别的YOLOv7-MOCA模型
黄花菜是极具营养价值和经济效益的一种农作物,深受人们喜爱.目前黄花菜采摘大都是人工采摘,采摘效率低、人工成本较高,在设计黄花菜自动采摘机器人的过程中,复杂环境下黄花菜的目标识别是实现智能化采摘的核心问题.该研究建立了包含 12000幅黄花菜样本的数据库,比较了 You Only Look Once(YOLOv7)、Faster Region Convolutional Neural Networks(Faster R-CNN)和Single Shot MultiBox Detector(SSD)三种模型的检测效果,提出一种基于改进YOLOv7目标检测算法的复杂环境下黄花菜识别的YOLOv7-MOCA模型,使用MobileOne网络作为主干特征提取网络,构建了一种轻量化网络模型,并在颈部网络中融合Coordinate Attention注意力机制改善对样本的检测效果.试验结果表明,YOLOv7-MOCA模型检测准确率为96.1%,召回率为96.6%,F1 值为0.96,权重为10 MB,帧速率为58帧/s.较YOLOv7检测速度提高了 26.1%,权重减少了 86.7%,该研究所提出的YOLOv7-MOCA模型检测准确率等参数均大幅提升.该模型可以实现黄花菜的快速识别,模型权重小,识别速度快,为黄花菜智能化采摘设备研究提供技术支撑.
识别、智能化、模型、黄花菜、复杂环境、YOLOv7、MobileOne网络、注意力机制
39
S25(农业航空)
国家自然科学基金No.42177276
2023-11-13（万方平台首次上网日期，不代表论文的发表时间）
共8页
181-188
