基于YOLOv3的水果采摘通用检测模型研究
为解决在自然环境下水果采摘机器人受环境因素影响而导致的识别准确率不高及水果检测模型泛化能力弱等问题,以自然环境下的苹果、桃子、香橙、梨作为研究对象,提出了一种基于改进的YOLOv3深度学习水果检测模型,首先对DarkNet-53特征提取网络进行改进,通过削减网络层数并融合密集卷积模块,构建一种有37个卷积层的特征提取网络,在兼顾算法精度的前提下提高了检测速度;其次,通过引入GIoU(generalized intersection over union)边界框回归损失函数,并改进网络的先验框,提高了对目标果实识别的准确率.实验结果表明,改进后的YOLOv3检测模型在测试集上的平均精度均值达到了92.27％,检测速度为45帧/s,在自然环境下对4种水果的目标检测具有很强的鲁棒性.
模式识别、水果检测、深度学习、YOLOv3算法
16
TP391.4(计算技术、计算机技术)
天津市科技支撑计划项目17ZXYENC00080,18YFZCNC01120,15ZXZNGX00290
2021-04-23（万方平台首次上网日期，不代表论文的发表时间）
共7页
336-342
