基于改进YOLOv4-Tiny的自然环境下油茶果识别方法

来源：中国农机化学报杂志2023年第10期北京时间：

作者：李庆松, 康丽春, 饶洪辉, 李泽锋, 刘木华

单位：江西农业大学工学院，南昌市，330045

摘要：针对自然环境下油茶果目标因被枝叶遮挡、重叠、果实颜色与叶片颜色相近等因素出现错检和漏检问题，提出一种基于改进YOLOv4-Tiny的自然环境下油茶果识别方法。在骨干网络中引入大尺度输出特征层和金字塔池化模型，以克服被遮挡或重叠油茶果因网络加深时模型的表征能力不足所带来的网络性能损失；使用Kmeans算法聚类出适合所选数据集的先验框，提高模型检测效果。试验结果表明：改进后YOLOv4-Tiny算法在1 901幅测试集上的召回率为86.15%，mAP为94.19%，F1值为0.9，比改进前分别提高1.2、0.34和2个百分点；改进后该算法单幅图片的平均检测时间为0.025s，检测速度为40.45f/s，比改进前检测时间减少7.41%，检测速度提高3.87%。改进后算法的识别准确率比自编码机和凸壳理论分别提高4.36和1.55个百分点，FasterRCNN、自编码机和凸壳理论的单幅图片检测时间分别是改进后算法的8.4、66.4和19.64倍。该算法可对复杂自然环境下油茶果目标进行识别，满足实时采摘的要求。

关键词：油茶果,YOLOv4-Tiny网络,深度学习,图像识别

基金资助：江西省教育厅科研项目(GJJ170263)