科研之友
微信
新浪微博
Facebook
分享链接
摘要
人工搜寻野生香菇效率低下，且存在一定危险性；而对于复杂情况下小目标检测的算法研究多集中于精度提升，检测效率与模型参数量不满足实际需求。基于此，提出一种基于改进YOLOv4的机器视觉检测方法，在保证精度前提下，提升检测效率，满足嵌入式设备的需求。以YOLOv4为框架，采用高效的ShuffleNetv2特征提取网络、轻量级的自适应空间特征融合（ASFF）结构减少网络参数和计算量，针对检测分支，将深度可分离卷积（DWConv）和金字塔卷积（PyConv）替代普通卷积以进行轻量化改进。在此基础上优化模型精度：网络输出端引入SA注意力模块以少量计算代价弥补轻量化改进造成的精度损失；最后Weight DIoU NMS算法优化预测框选取。利用1 112张野生蘑菇图片，按照8∶2的比例划分训练集与测试集。实验结果表明：改进YOLOv4模型检测结果 AP为88.76%,F1为0.858,FPS为67.93，模型权重尺寸为52.28 MB，相比于YOLOv4的AP为91.5%,F1为0.890,FPS为37.15，精度变化幅度小，速度提升82.9%，模型权重尺寸仅为原来的21.4%。网络模型在保证检测精度的同时，检测速度明显提升，可为野生菌嵌入式采摘设备提供理论支持。
- 出版日期2023
- 单位机电工程学院; 东北林业大学
