基于改进YOLOv3-Tiny的番茄苗分级检测

来源：农业工程学报杂志2022年第1期北京时间：

作者：张秀花,静茂凯,袁永伟,尹义蕾,李恺,王春辉,

摘要：为了提高番茄苗分选移栽分级检测精度，该研究提出了YOLOv3-Tiny目标检测改进模型。首先建立了番茄穴盘苗数据集，使用K-means++算法重新生成数据集锚定框，提高网络收敛速度和特征提取能力；其次为目标检测模型添加SPP空间金字塔池化，将穴孔局部和整体特征融合，提高了对弱苗的召回率；同时加入路径聚合网络（PANet），提升细粒度检测能力；引入了SAM空间注意力机制，提高对番茄苗的关注，减少背景干扰；增加了ASFF（Adaptively Spatial Feature Fusion）自适应特征融合网络，能够使目标检测模型对多个级别的特征进行空间滤波；采用CIoU损失函数策略，提高模型收敛效果。改进的YOLOv3-Tiny目标检测模型经过数据集训练，在测试集上能够达到平均精度均值为97.64%，相比YOLOv3-Tiny模型提高了3.47个百分点。消融试验验证了网络结构改进和训练策略是有效的，并将改进的YOLOv3-Tiny目标检测算法与5种目标检测算法进行对比，发现改进的YOLOv3-Tiny目标检测模型在重合度阈值为50%的条件下平均精度均值为97.64%。单张图像处理时间为5.03 ms，较其他目标检测算法具有明显的优势，验证了该模型能够满足番茄苗分级检测精度要求，可以为幼苗分选检测方法提供参考。

关键词：机器视觉, 图像处理, 穴盘育苗, 幼苗分级, 目标检测, YOLOv3-Tiny, 自适应特征融合