改进YOLOv3的复杂环境下红花丝检测方法.pdfVIP

第 39 卷 第 3 期 农 业 工 程 学 报 Vol.39 No.3 162 2023 年 2 月 Transactions of the Chinese Society of Agricultural Engineering Feb. 2023 改进 YOLOv3 的复杂环境下红花丝检测方法 1,2,3 1,3 1,3 1 1 1 1 张振国 ，邢振宇 ，赵敏义 ，杨双平 ，郭全峰 ，史瑞猛 ，曾 超 （1. 新疆农业大学机电工程学院，乌鲁木齐 830052 ；2. 中国农业大学工学院，北京 100083 ； 3. 浙江省农业智能装备与机器人重点实验室，杭州 310058 ） 摘 要：天气变化、光照变化、枝叶遮挡等复杂环境给红花丝的快速、准确检测带来挑战，影响红花采摘机器人的作业 效率，该研究基于改进 YOLOv3 提出了一种目标检测算法（GSC-YOLOv3 ）。首先GSC-YOLOv3 采用轻量级网络幻影结 构 GhostNet 替换主干特征提取网络，并在保证良好检测精度的前提下，最大限度压缩算法参数，提高算法速度，从而使 用少量参数生成红花丝有效特征；其次使用空间金字塔池化结构（spatial pyramid pooling，SPP ）实现特征增强，弥补提 取红花丝特征过程中的信息损失；最后将卷积块注意力模块（convolutional block attention module ，CBAM ）融入特征金 字塔结构，以解决特征融合过程中的干扰问题，提高算法的检测效率和精度。检测结果表明：GSC-YOLOv3 算法在测试 集下的平均精度均值达到 91.89%，比 Faster R-CNN 、YOLOv3 、YOLOv4 、YOLOv5 、YOLOv6 、YOLOv7 算法分别高 12.76、2.89 、6.35、3.96、1.87、0.61 个百分点；在 GPU 下的平均检测速度达到 51.1 帧/s ，均比其他 6 种算法高。在复 杂场景下的对比试验结果表明，所改进算法具有高检测精度及良好的鲁棒性和实时性，对解决红花采摘机器人在复杂环 境下红花丝的精准检测具有参考价值。 关键词：采摘；目标检测；YOLOv3 ；GhostNet 结构；复杂环境；红花丝 doi ：10.11975/j.issn.1002-6819.202211204 中图分类号：S24; TP391.4 文献标志码：A 文章编号：1002-6819(2023)-03-0162-09 张振国，邢振宇，赵敏义，等. 改进YOLOv3的复杂环境下红花丝检测方法[J]. 农业工程学报，2023，39(3)：162-170. doi ：10.11975/j.issn.1002-6819.202211204 ZHANG Zhenguo, XING Zhenyu, ZHAO Minyi, et al. Detecting safflower filaments using an improved YOLOv3 under complex environments[J]. Transactions of the Chinese Society of Agricultural Eng