基于改进 YOLOv4的蔗种坏芽识别方法研究

doi:10.13733/j.jcam.issn.2095-5553.2024.09.029

摘要/Abstract

摘要：

为实现蔗种切种机构对坏芽蔗种实时检测剔除，提出一种基于改进 YOLOv4的蔗种坏芽快速识别方法。通过在 YOLOv4主干网络添加轻量的注意力模块（CBAM），以增强网络提取蔗芽特征能力，降低背景噪声对蔗芽识别精度的影响；并利用 K-means算法对数据集重新聚类，生成符合蔗芽特征的锚定框，提高蔗种坏芽检测精度；将路径聚合网络中原有的标准卷积替换为深度可分离卷积，大幅减少参数降低计算负荷，整体识别速度得到提升。测试结果表明：改进后的网络模型比 YOLOv4精确率提高 3. 12%，平均精确率均值提高 4. 15%，召回率提高 3. 69%，单张图像识别时间缩短 7 ms。改进后算法实现对蔗种坏芽的快速准确识别，满足切种机构实时检测并剔除蔗种坏芽的需求。

关键词: 蔗种坏芽, 改进网络, 切种机构, 注意力模块, 聚类算法, 深度可分离卷积 ,

Abstract:

In order to realize the real.time detection and elimination of the bad buds by the sugarcane seed cutting mechanism，a rapid recognition method for the bad buds of sugarcane seed based on improved YOLOv4 was proposed. A lightweight Convolutional Block Attention Module（CBAM）was added to the YOLOv4 backbone network to enhance the ability of sugarcane bud feature extraction and reduce the influence of background noise on the accuracy of sugarcane bud recognition. The K-means algorithm was used to re.cluster the data set to generate an anchor frame that was consistent with the characteristics of cane buds，which improved the detection accuracy of cane seed bad buds. The original standard convolution in the path aggregation network is replaced by deep separable convolution， which greatly reduces the parameters and computational load，and improves the overall recognition speed. The training and test results show that compared with YOLOv4， the precision of the improved network model is increased by 3. 12%， the mean average precision is increased by 4. 15%，the recall is increased by 3. 69%，and the recognition time of single image is shortened by 7 ms. The improved algorithm realized rapid and accurate identification of sugarcane seed bad buds and met the need of real.time detection and removal of sugarcane seed bad buds by the seed cutting mechanism.

Key words: sugarcane seed bad bud, improved the network, seed cutting mechanism, attention module, clustering algorithm, depth separable convolution ,

中图分类号:

沈漫林, 刘姣娣, 许洪振, 何捷, 段玉龙. 基于改进 YOLOv4的蔗种坏芽识别方法研究[J]. 中国农机化学报, 2024, 45(9): 190-195.

Shen Manlin, Liu Jiaodi, Xu Hongzhen, He Jie, Duan Yulong. Research on sugarcane seed bad bud recognition method based on improved YOLOv4[J]. Journal of Chinese Agricultural Mechanization, 2024, 45(9): 190-195.

参考文献

［ 1］刘庆庭，莫建霖，李廷化，等 .我国甘蔗种植机技术现状及存在的关键技术问题［ J］.甘蔗糖业，2011（5）： 52-58.

Liu Qingting， Mo Jianlin， Li Tinghua， et al. Current situation of sugarcane planter and its key technical issues in China［J］. Sugarcane and Canesugar，2011（5）：52-58.

［ 2］陆尚平 .基于机器视觉的甘蔗茎节识别与蔗芽检测研究［D］.武汉：华中农业大学， 2011.

Lu Shangping. Research on sugarcane internodes and sugarcane buds identification based on machine vision［D］. Wuhan：Huazhong Agricultural University，2011.

［ 3］石昌友，王美丽，刘欣然，等 .基于机器视觉的不同类型甘蔗茎节识别［ J］.计算机应用， 2019，39（4）：1208-1213.

Shi Changyou， Wang Meili， Liu Xinran， et al. Node recognition for different types of sugarcanes based on machine vision［J］. Journal of Computer Applications， 2019，39（4）：1208-1213.

［ 4］陈延祥 .基于机器视觉的甘蔗多刀切种装备设计与研究［D］.无锡：江南大学， 2022.

Chen Yanxiang. Design and research on sugarcane multi.cutter cutting equipment based on machine vision［D］. Wuxi：Jiangnan University，2022.

［ 5］李尚平，李向辉，张可，等 .改进 YOLOv3网络提高甘蔗茎节实时动态识别效率［ J］.农业工程学报， 2019，35（23）：185-191.

Li Shangping，Li Xianghui，Zhang Ke，et al. Increasing the real.time dynamic identification efficiency of sugarcane nodes by improved YOLOv3 network［J］. Transactions of the Chinese Society of Agricultural Engineering，2019，35（23）：185-191.

［ 6］黄亦其，尹凯，黄媚章，等 .基于 Bayes决策的甘蔗种芽完好性检测与试验［ J］.农业工程学报，2016，32（5）： 57-63.

Huang Yiqi，Yin Kai，Huang Meizhang，et al. Detection and experiment of sugarcane buds integrity based on Bayes decision［J］. Transactions of the Chinese Society of Agricultural Engineering，2016，32（5）：57-63.

［ 7］Song H，Peng J，Tuo N，et al. Study of sugarcane buds classification based on convolutional neural networks［J］. Intelligent Automation and Soft Computing，2021，27（2）： 581-592.

［ 8］赵永强，饶元，董世鹏，等 .深度学习目标检测方法综述［J］.中国图象图形学报， 2020，25（4）：629-654.

Zhao Yongqiang，Rao Yuan，Dong Shipeng，et al. Survey on deep learning object detection［J］. Journal of Image and Graphics，2020，25（4）：629-654.

［ 9］Bochkovskiy A，Wang C，Liao H. YOLOv4：Optimal speed and accuracy of object detection［J］. Computer Vision and Pattern Recognition，2020.

［10］Redmon J， Farhadi A. YOLOv3： An incremental improvement［J］. arxiv e.prints，2018.

［11］Woo S，Park J，Lee J Y，et al. CBAM：Convolutional block attention module［C］. Proceedings of the European Conference on Computer Vision，2018：3-19.

［12］刘强，李鹏，邹一鸣，等 .基于改进 YOLOv4算法的动车库接地杆状态检测［ J］.五邑大学学报（自然科学版）， 2022，36（2）：41-47.

Liu Qiang，Li Peng，Zou Yiming，et al. State detection of grounding rods in moving garage based on improved YOLOv4 algorithm［J］. Journal of Wuyi University（Natural Science Edition），2022，36（2）：41-47.

［13］Chao G. Discriminative K-means laplacian clustering［J］. Neural Processing Letters，2019，49（1）：393-405.

［14］Back S， Lee S， Shin S， et al. Robust skin disease classification by distilling deep neural network ensemble for the mobile diagnosis of herpes zoster［J］. IEEE Access， 2021，9：20156-20169.

［15］梁桓伟 .基于 Android的近红外人眼检测与跟踪研究与实现［ D］.大连：大连交通大学， 2018.

Liang Huanwei. Research and implementation of near infrared human eye detection and tracking based on Android［D］. Dalian：Dalian Jiaotong University，2018.

［16］赵东升 .基于 HLS的高效深度卷积神经网络 FPGA实现方法［ D］.西安：西安电子科技大学， 2019.

Zhao Dongsheng. An FPGA implementation method of efficient deep convolution neural network based on HLS［D］. Xi′an：Xidian University，2019.

［17］Tian D， Lin C， Zhou J， et al. SA-YOLOv3： An efficient and accurate object detector using self.attention mechanism for autonomous driving［J］. IEEE Transactions on Intelligent Transportation Systems，2020， 23（5）：4099-4110.

［18］宋德江 .基于深度学习的车辆行为识别［ D］.重庆：西南大学， 2021.

Song Dejiang. Vehicle behavior detection based on deep learning［D］. Chongqing：Southwest University，2021.

［19］Li Y，Guo Jh，Guo X m，et al. A novel target detection method of the unmanned surface vehicle under all.weather conditions with an improved YOLOV3［J］. Sensors， 2020，20（17）：4885.

［20］彭国雯 .基于深度学习的场景文字检测算法的融合技术研究［ D］.开封：河南大学， 2019.

［21］高嘉琳，白堂博，姚德臣，等 .基于改进 YOLOv4算法的铁路扣件检测［ J］.科学技术与工程，2022，22（7）： 2872-2877.

Gao Jialin，Bai Tangbo，Yao Dechen，et al. Detection of track fastener based on improved YOLOv4 algorithm［J］. Science Technology and Engineering， 2022， 22（7）： 2872-2877.

[1]	郑拓, 袁丽峰, 戚得众, 闫行行, 杨文广, . 丘陵山地果园行间运输车自动跟随系统研究[J]. 中国农机化学报, 2024, 45(9): 178-183.
[2]	蒲厚旭, 张慧. 基于卷积神经网络干瘪核桃 X射线图像判别[J]. 中国农机化学报, 2024, 45(9): 184-189.
[3]	孙颖 , 赵丽清 , 殷元元 , 张心培 , 徐鑫 , 马坊岩 . 电容式谷物水分传感器探头设计与试验[J]. 中国农机化学报, 2024, 45(9): 196-201.
[4]	桑一男 , 徐增莱 , 汪琼 , 葛海涛 , 王殿广 . 一种轮式采花机器人设计——以黄蜀葵为例[J]. 中国农机化学报, 2024, 45(9): 202-208.
[5]	吴宇通, 张伟, 石文强, 李金阳, 亓立强, . 基于无人机遥感的大豆倒伏识别研究[J]. 中国农机化学报, 2024, 45(9): 209-214.
[6]	付晓鸽, 李涵, 左治江, 杜铮 . 基于 Mask R-CNN的复杂环境下辣椒识别方法研究[J]. 中国农机化学报, 2024, 45(9): 215-219.
[7]	张传栋, 亓璐, 丁华立. 基于改进 YOLOv8n模型的多品种葡萄簇检测方法[J]. 中国农机化学报, 2024, 45(9): 220-226.
[8]	李娟 , 金志雄 . 基于轻量化 Transformer的农作物检测机器人路径规划[J]. 中国农机化学报, 2024, 45(9): 227-233.
[9]	牟远明 , 卓然 , 高飞 . 基于混合改进麻雀搜索算法的农用移动机器人路径规划[J]. 中国农机化学报, 2024, 45(9): 234-243.
[10]	李邦国, 王辉, 宋杨, 任志伟, 刘跃华, 徐乐程. 基于无人驾驶小麦收割机立体视觉感知系统[J]. 中国农机化学报, 2024, 45(9): 244-249.
[11]	宋立航, 张屹, 时寅豪. 基于改进 YOLOv5s的自然环境下油桃成熟度检测方法[J]. 中国农机化学报, 2024, 45(9): 250-257.
[12]	宋小鹿 , 冯娟 , 梁翔宇 , 周玺兴 . 基于 YOLOv4的水下海参检测与计数算法[J]. 中国农机化学报, 2024, 45(9): 258-264.
[13]	杨巧梅, 崔婷婷, 袁永榜, 罗桦 . 轻量化 YOLO模型在农作物微小病虫害检测中的应用研究[J]. 中国农机化学报, 2024, 45(9): 265-270.
[14]	冯玉涵 , 孙剑 , 张志芳 . 基于层间特征蒸馏网络的作物叶片病害检测[J]. 中国农机化学报, 2024, 45(9): 271-277.
[15]	汪建旭 , 王晶 , 卢秀霞 , 杨祎程 , 何潇 , 曾乐强 . 尾菜沼液配比对土壤质量及花椰菜产量和品质影响[J]. 中国农机化学报, 2024, 45(9): 278-284.