基于YOLON網絡的多形態油茶果實夜間檢測方法研究

【摘要】：[目的]提出了一種YOLON目標檢測網絡,為油茶果采收裝置夜間非結構化環境下果實目標的精準識別提供技術支持。[方法]在改進YOLOv3的基礎上建立YOLON目標檢測網絡,先在圖像輸入端添加照度調整模塊(LA)對輸入圖像的照度進行自適應調整,以加強前景圖像特征的顯著程度,利用特征提取網絡對輸入圖像進行多次卷積以得到對應的特征圖;然后在特征融合層添加夜間隱性知識模塊(NPK),以先驗信息的形式輔助網絡預測,提高夜間果實目標的識別準確性;最后對網絡特征圖進行解碼處理得到對應的目標檢測框,從而完成對夜間油茶果實目標的檢測。為驗證所提出網絡的有效性,采用準確率(P)、召回率(R)、平均精度均值(mAP)和綜合評價指標(F1)對YOLON及對比網絡YOLOv3、YOLOv4、YOLOv5s的檢測效果進行定量評價。[結果]用YOLON和各對比網絡在夜間油茶果數據集上進行訓練和測試,YOLON網絡的P、R、mAP、F1分別為94.00%,83.63%,94.37%和89.00%,mAP分別較YOLOv3、YOLOv4、YOLOv5s提高2.32%,4.93%和2.33%;對不同果實數量油茶果圖像進行測試,YOLON在單果、雙果和多果測試數據集上均有較好表現,其對這3類果實目標檢測的mAP為98.34%,分別較YOLOv3、YOLOv4、YOLOv5s提高2.17%,8.99%和4.35%;對整樹小尺寸油茶果實的檢測效果,YOLON的mAP可達93.56%,分別較YOLOv3、YOLOv4、YOLO75s高1.24%,8.66%和5.57%;在對整樹油茶果實圖像進行檢測時,YOLON的平均置信度為0.69,分別較YOLOv3、YOLOv4、YOLOv5s高0.09,0.22和0.14;此外,用YOLON對夜間采集的處于重疊、遮擋、復雜背景等多態耦合下的油茶果實圖像進行檢測,也均具有較高的檢測置信度。[結論]YOLON可以滿足油茶果采收機器人果實定位精度的要求,將其應用于油茶果夜間圖像的檢測是可行的。