基于深度学习的轻量化果实检测识别模型研究.pdfVIP

摘要

据国家统计局数据显示，2022年，水果总产量为31296.24万吨，人均消费

水果221.68公斤。对水果产业进行智能化作业是当今深度学习一个重要的应用

方向。在机器采摘环节，深度学习技术能够通过学习和分析果实图像特征，实

现精准识别和定位，从而提高采摘的准确性和效率。在零售环节，通过果实识

别技术可以实现自动化分类、计价和库存管理，极大提升了顾客的消费体验和

商店的运行效率。顾客可以通过智能识别系统快速结账，而商店则能够实时掌

握库存情况，进行精准补货和价格调整。本文基于目标检测算法构建了轻量化

的果实检测识别模型。主要工作有两个方面：

1

（）标注数据与优化模型：为了能够充分发挥模型的性能，收集了大量的

果实图片数据进行标注，并基于多个目标检测算法构建了果实识别模型；为了

解决模型筛选锚框的速度过慢和准确度不高的问题，将CIoU损失函数更换为能

够从更多角度收敛的EIoU损失函数；为了解决神经网络中的浅层特征信息与深

层特征信息不均衡的问题，增加了浅层特征信息的权重，有效提高了模型的平

均精度。

2

（）将模型轻量化，降低了部署成本：为了得到体积更小的果实检测识别

模型，通过通道剪枝技术对Yolov8n模型进行了通道量化分析，确定了Yolov8n

中不同部位的重要性，为后面的优化做了基准；为了在对模型性能影响比较小

的情况下减小模型的体积，将较为不重要的部位的C2f模块更换为了本文提出

来的DG模块；为了使浅层的卷积网络保留更多的特征信息，对较为重要的部

位使用了能够保留更多信息的SELU激活函数，在不增加模型体积的情况下，

提高了模型的性能；在较为重要的部分后面加入了本文提出来的SEMP注意力

模块，并将SEMP注意力模块插入了合适的位置，进一步提高了模型的性能。

本研究针对猕猴桃果实数据集和FruitRecognition数据集构建了一个高效的、

轻量的果实识别模型。两个数据集的mAP@0.5分别达到了99.21和99.03，模型

大小仅为4.9Mb。该模型在保持较高识别准确率的同时，显著降低了计算复杂

度和内存占用，为实际应用中的部署和推广提供了有力支持。

关键词：Yolov8n；果实检测；轻量化；数据标注；DG；SEMP

Abstract

AccordingtotheNationalBureauofStatistics,in2022,thetotalfruitproduction

willbe312.9624milliontons,andthepercapitaconsumptionoffruitwillbe221.68

kilograms.Today,intelligentoperationinthefruitindustryisanimportantapplication

directionofdeeplearning.Inthemachineharvestingprocess,deeplearningtechnology

canachieveaccurateidentificationandpositioningbylearningandanalyzingfruit

imagefeatures,therebyimprovingtheaccuracyandefficiencyofharvesting.Inretail,

fruitrecognitiontechnologycanrealizeautomatedclassification,pricing,andinventory

management,greatlyimprovingcustomersconsumptionexperienceandstore

operationefficiency.Customerscancheckoutquicklythroughtheintelligent

recognitionsystem,whiles