基于改进YOLOv4的澳洲坚果视觉监测方法

来源：中国农机化学报杂志2024年第5期北京时间：

作者：罗鑫, 李加强, 何超

摘要：针对大规模澳洲坚果种植园管理困难的问题，提出一种基于改进YOLOv4的林地澳洲坚果生长监测方法。在澳洲坚果种植基地中进行图像采集，记录3种常见的澳洲坚果存在形式，制作VOC数据集并用于模型训练。对样本数量较少的类别进行数据增强，使训练样本均衡分布。在原始YOLOv4方法的基础上进行改进，用DenseNet121网络替换原来的主干网络，并使用Focalloss优化检测模型的分类损失函数，有效提升检测模型精度，同时缓解类别间检测精度不平衡问题。试验结果表明，与YOLOv4、YOLOv3方法相比，所提改进YOLOv4方法对每种澳洲坚果形式的平均精度（AP）均为最高，检测模型的平均精度均值（mAP）达到93.33%，检测速度达到28.7 FPS，实现对林地澳洲坚果落果、病害等生长信息的实时、高效获取，为精确监测澳洲坚果生长状态提供依据。

关键词：澳洲坚果,果园监测,深度学习,改进YOLOv4,目标检测

基金资助：国家自然科学基金（51968065）；云南省教育厅科学研究基金（2022Y571）；云南省高层次人才培养支持计划（YNWR—QNBJ—2018—066，YNQR—CYRC—2019—001）