基于特征递归融合YOLOv4网络模型的春见柑橘检测与计数.pdf

第 37 卷 第 18 期 农 业 工 程 学 报 Vol.37 No.18 2021 年 9 月 Transactions of the Chinese Society of Agricultural Engineering Sept. 2021 161 基于特征递归融合 YOLOv4 网络模型的春见柑橘检测与计数 1,2 1 1 1 易 诗 ，李俊杰 ，张 鹏 ，王丹丹 （1. 成都理工大学机电工程学院，成都 610059 ；2. 重庆邮电大学工业互联网与网络化控制教育部重点实验室，重庆 400065 ） 摘 要：春见柑橘个体小、单株果树柑橘密集、柑橘之间的形态与颜色相似度高且易被树叶严重遮挡，这些特点给春见 柑橘检测与计数带来了较大困难。该研究以实际春见果园环境中的春见柑橘作为检测与计数对象，提出了一种以春见柑 橘为检测目标的基于特征递归融合 YOLOv4 网络模型（YOLOv4 network model based on recursive fusion of features ， FR-YOLOv4 ）。针对春见柑橘尺寸小的特点，FR-YOLOv4 网络模型的主干特征提取网络采用了感受野更小的 CSPResNest50 网络，降低了小尺寸目标的特征图传不到目标检测器中的可能性；针对春见柑橘被遮挡和密集分布的情况， 采用了递归特征金字塔（Recursive Feature Pyramid ，RFP ）网络来进行特征递归融合，提高了对果园环境下春见柑橘的检 测精度。试验结果表明：FR-YOLOv4 网络模型对于果园环境中春见柑橘的平均检测精度为 94.6%，视频检测帧率为 51 帧/s 。FR-YOLOv4 网络模型相比于YOLOv4 、单次多框检测器（Single Shot Multi-Box Detector，SSD）、CenterNet 和更 快速卷积神经网络（Faster- Region-Convolutional Neural Networks，Faster R-CNN ）的平均检测精度分别提高了8.9、29.3 、 14.1 和 16.2 个百分点，视频检测帧率分别比 SSD、Faster R-CNN 提高了 17 和 33 帧/s 。FR-YOLOv4 网络模型对于实际果 园环境中春见柑橘的检测精度高，具备检测实时性，适用于春见果园中春见柑橘检测与计数。 关键词：机器视觉；图像处理；模型；检测；春见柑橘；YOLOv4 doi ：10.11975/j.issn.1002-6819.2021.18.019 中图分类号：S126 文献标志码：A 文章编号：1002-6819(2021)-18-0161-09 易诗，李俊杰，张鹏，等. 基于特征递归融合 YOLOv4 网络模型的春见柑橘检测与计数[J]. 农业工程学报，2021，37(18)： 161-169. doi ：10.11975/j.issn.1002-6819.2021.18.019 Yi Shi, Li Junjie, Zhang Peng, et al. Detecting and counting of spring-see citrus using YOLOv4 network model and recursive fusion of features[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(18): 161-169. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.18.019