基于改进YOLO-v4的果园环境下葡萄检测

针对果园环境下葡萄生长场景复杂多变,葡萄机器人难以根据视觉检测结果制定无碰撞采摘策略的问题,提出了一种基于改进YOLO-v4的不同遮挡状态葡萄检测方法.首先,根据果园环境下葡萄的生长场景状态,将葡萄分别标记为4种类型:无遮挡葡萄,叶片遮挡葡萄,枝干遮挡葡萄,重叠遮挡葡萄;然后采用YOLO-v4框架作为检测模型,将注意力机制模型(CBAM)分别嵌入YOLO-v4框架中的主干网络(CSPDarknet53,YOLO-C-C)和路径聚合网络(PANet,YOLO-C-P),通过对CSPDarknet53和PANet网络特征提取过程进行目标注意,增强网络对葡萄特征的提取能力,降低复杂场景的干扰,以期达到果园环境下不同遮挡葡萄的高精确度检测;最后通过比较YOLO-C-C和YOLO-C-P网络的识别精确度与F1得分,得到最适合果园遮挡场景下的葡萄检测模型YOLO-C-P.对该方法的性能评估及与其他算法对比试验结果表明,YOLO-C-P模型对无遮挡、叶片遮挡、枝干遮挡、重叠遮挡的葡萄检测精确度分别为91.26％、92.47％、92.41％、90.65％,平均 F1 得分为 91.71％;与同系列模型 YOLO-v4、YOLO-X-X、YOLO-v5-X相比,F1得分分别提升了 12.62、8.65、5.31个百分点.平均识别一幅图像的时间为0.13 s.该研究能够快速、有效识别无遮挡、叶片遮挡、枝干遮挡、重叠遮挡情况下的葡萄,可帮助机器人制定果园环境下的采摘策略(采摘顺序和路径规划),以避免因遮挡导致的碰撞造成采摘失败,为葡萄机器人提供了一种果园采摘辅助决策方法.