密植环境下基于域自适应学习的番茄检测方法

摘要：

为解决果实检测模型在密植环境中对于不同场景适应力较差和严重的数据依赖性问题,该研究结合YOLOv5模型和域自适应学习,提出了一种番茄域自适应检测模型TDA-YOLO(tomato detection domain adaptation).该研究将密集种植环境中正常光照场景作为源域,其他光照场景作为目标域.首先,引入神经预设的颜色风格迁移来构建伪数据集,减小源域和目标域之间的差异.其次,该研究结合半监督学习方法,使模型能够更充分的提取域不变特征,并利用知识蒸馏提高模型适应目标域能力.此外还引入FasterNet轻量级网络整合到C3模块中,以加快推理速度并减少参数量.试验结果表明,在不同场景的密集种植环境中,TDA-YOLO模型检测番茄的均值平均精度为96.80％,比原始YOLOv5s模型提高了 7.19个百分点,相较于YOLOv8和YOLOv9分别高出2.17和1.19个百分点,其对于每张图像的平均检测时间为15 ms,FLOPs大小为13.8G.经过加速处理后,Jetson Xavier NX开发板上部署的TDA-YOLO模型的检测准确率为90.95％,均值平均精度值为91.35％,每张图像的检测时间为21ms,满足密植环境下番茄实时检测的要求.试验结果表明提出的TDA-YOLO模型可在密植环境下准确、快速的检测番茄,同时避免了使用大量的标注数据,为番茄等果实自动化收获系统的开发提供技术支持.

关键词：植物、模型、域自适应、番茄检测、光照变化、半监督学习、密植环境

所属期刊栏目：40

分类号：S24(农业电气化与自动化)

在线出版日期：2024-09-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：134-145