摘要：商枫楠, 周学成, 梁英凯, 肖明玮, 陈桥, 罗陈迪. 基于改进YOLOX的自然环境中火龙果检测方法[J]. 智慧农业(中英文), 2022, 4(3): 120-131.
引用格式
商枫楠, 周学成, 梁英凯, 肖明玮, 陈桥, 罗陈迪. 基于改进YOLOX的自然环境中火龙果检测方法[J]. 智慧农业(中英文), 2022, 4(3): 120-131.SHANG Fengnan, ZHOU Xuecheng, LIANG Yingkai, XIAO Mingwei, CHEN Qiao, LUO Chendi. Detection method for dragon fruit in natural environment based on improved YOLOX[J]. Smart Agriculture, 2022, 4(3): 120-131.官网阅读（全文，免费）
基于改进YOLOX的自然环境中火龙果检测方法
商枫楠1，2，3， 周学成1，2，3*， 梁英凯1，2，3， 肖明玮， 陈桥， 罗陈迪1，2，3（1.华南农业大学 工程学院，广东广州 510642；2.广东省农业人工智能重点实验室，广东广州 510642；3.南方农业机械与装备关键技术教育部重点实验室，广东广州 510642）
摘要：自然环境下果实的精准检测是火龙果采摘机器人执行采摘作业的先决条件。为提高自然环境下果实识别的精确性、鲁棒性和检测效率，本研究对YOLOX（You Only Look Once X）网络进行改进，提出了一种含有注意力模块的目标检测方法。为便于在嵌入式设备上部署，本方法以YOLOX-Nano网络为基准，将卷积注意力模块（Convolutional Block Attention Module，CBAM）添加到YOLOX-Nano的主干特征提取网络中，通过为主干网络提取到不同尺度的特征层分配权重系数来学习不同通道间特征的相关性，加强网络深层信息的传递，降低自然环境背景下对火龙果识别的干扰。对该方法进行性能评估和对比试验，经过训练后，该火龙果目标检测网络在测试集的AP0.5值为98.9%，AP0.5:0.95的值为72.4%。在相同试验条件下对比其它YOLO网络模型，该方法平均检测精度分别超越YOLOv3、YOLOv4-Tiny和YOLOv5-S模型26.2%、9.8%和7.9%。最后对不同分辨率的火龙果果园自然环境下采集的视频进行实时测试。试验结果表明，本研究提出的改进YOLOX-Nano目标检测方法，每帧平均检测时间为21.72 ms，F1值为0.99，模型大小仅3.76 MB，检测速度、检测精度和模型大小满足自然环境下火龙果采摘的技术要求。关键词：水果采摘；自然环境；火龙果；目标检测；YOLOX；注意力机制；深度学习
文章图片
图1 不同拍摄环境下火龙果原始图像
Fig. 1 Original images of dragon fruit in different environments
图2 改进后的YOLOX网络结构
Fig. 2 The network structure of improved YOLOX
图3 卷积注意力模块结构
Fig. 3 Convolutional Block Attention Module structure
图4 不同输入分辨率的YOLOX-Nano损失曲线
Fig. 4 Loss curves of YOLOX-Nano with different input resolutions
图5 YOLOX-Nano改进前后火龙果检测结果对比
Fig. 5 Comparison of test results of YOLOX-Nano before and after improvement
图6 YOLOX-Nano改进前后火龙果检测结果对比
Fig. 6 Test results comparison of YOLOX-Nano before and after the improvement
图7 顺光时不同网络火龙果检测效果
Fig. 7 Dragon fruit detection effect of different networks during lighting
图8 遮阴时不同网络火龙果检测效果
Fig. 8 Dragon fruit detection effect of different networks during shading
图9 逆光时不同网络火龙果检测效果
Fig. 9 Dragon fruit detection effect of different networks during backlighting
图10 改进的YOLOX-Nano网络火龙果检测帧率对比
Fig. 10 Comparison of dragon fruit detection frame rates of improved YOLOX-Nano network
通讯作者简介
周学成 教授
周学成，华南农业大学教授，工学博士。主持承担国家“863”计划、国家重点研发计划、国家自然科学基金面上项目等课题，研究工作涉及智能成像检测和智能农机装备等领域，主要研究方向包括原位根系的三维成像检测、农产品内部品质无损检测和果蔬采摘机器人等方面。公开发表学术论文30多篇，获得国家授权发明专利4项、软件著作权5项。转载请联系编辑部授权
为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。入群方法：加小编微信331760296，备注：姓名、单位、研究方向，小编拉您进群，机构营销广告人员勿扰。
发布征集
欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。
来源：智慧农业资讯一点号
