融合轻量化网络与注意力机制的果园环境下苹果检测方法.pdfVIP

第 38 卷 第 19 期 农 业 工 程 学 报 Vol.38 No.19 2022 年 10 月 Transactions of the Chinese Society of Agricultural Engineering Oct. 2022 131 融合轻量化网络与注意力机制的果园环境下苹果检测方法 ※ 胡广锐，周建国，陈 超，李传林，孙丽娟，陈 雨，张 硕，陈 军 （西北农林科技大学机械与电子工程学院，杨凌 712100 ） 摘 要：为提高复杂果园环境下苹果检测的综合性能，降低检测模型大小，通过对单阶段检测网络 YOLOX-Tiny 的拓扑 结构进行了优化与改进，提出了一种适用于复杂果园环境下轻量化苹果检测模型（Lightweight Apple Detection YOLOX-Tiny Network ，Lad-YXNet ）。该模型引入高效通道注意力（Efficient Channel Attention ，ECA ）和混洗注意力（Shuffle Attention ，SA）两种轻量化视觉注意力模块，构建了混洗注意力与双卷积层（Shuffle Attention and Double Convolution Layer， SDCLayer）模块，提高了检测模型对背景与果实特征的提取能力，并通过测试确定 Swish 与带泄露修正线性单元（Leaky Rectified Linear Unit ，Leaky-ReLU ）作为主干与特征融合网络的激活函数。通过消融试验探究了Mosaic 增强方法对模型 训练的有效性，结果表明图像长宽随机扭曲对提高模型综合检测性能贡献较高，但图像随机色域变换由于改变训练集中 苹果的颜色，使模型检测综合性能下降。为提高模型检测苹果的可解释性，采用特征可视化技术提取了 Lad-YXNet 模型 的主干、特征融合网络和检测网络的主要特征图，探究了Lad-YXNet 模型在复杂自然环境下检测苹果的过程。Lad-YXNet 经过训练在测试集下的平均精度为 94.88%，分别比 SSD、YOLOV4-Tiny、YOLOV5-Lite 和 YOLOX-Tiny 模型提高了 3.10 个百分点、2.02 个百分点、2.00 个百分点和 0.51 个百分点。Lad-YXNet 检测一幅图像的时间为 10.06 ms，模型大小为 16.6 MB ，分别比YOLOX-Tiny 减少了 20.03%与 18.23%。该研究为苹果收获机器人在复杂果园环境下准确、快速地检测苹果 提供了理论基础。 关键词：图像处理；可视化；苹果检测；收获机器人；卷积网络；视觉注意力机制 doi ：10.11975/j.issn.1002-6819.2022.19.015 中图分类号：TP691.4 文献标志码：A 文章编号：1002-6819(2022)-19-0131-12 胡广锐，周建国，陈超，等. 融合轻量化网络与注意力机制的果园环境下苹果检测方法[J]. 农业工程学报，2022，38(19)： 131-142. doi ：10.11975/j.issn.1002-6819.2022.19.015 Hu Guangrui, Zhou Jianguo, Chen Chao, et al. F