基于改进YOLOV4网络模型的番茄果实检测

来源：中国农机化学报杂志2022年第12期北京时间：

作者：张磊, 刘琪芳, 聂红玫, 王晨, 牛帆

单位：1. 山西农业大学信息科学与工程学院，山西太谷，030801； 2. 山西农业大学园艺学院，山西太谷，030801

摘要：果实识别是视觉检测技术重要的环节，其识别精度易受复杂的生长环境及果实状态的影响。以大棚环境下单个、一簇、光照、阴影、遮挡、重叠6种复杂生长状态下的番茄果实为对象，提出一种基于改进YOLOv4网络模型与迁移学习相结合的番茄果实识别方法。首先利用ImageNet数据集与VGG网络模型前端16卷积层进行模型参数预训练，将训练的模型参数初始化改进模型的权值以代替原始的初始化操作，然后使用番茄数据集在VGG19的卷积层与YOLOV4的主干网络相结合的新模型中进行训练，获得最优权重实现对复杂环境下的番茄果实进行检测。最后，将改进模型与Faster RCNN、YOLOv4-Tiny、YOLOv4网络模型进行比较。研究结果表明，改进模型在6种复杂环境下番茄果实平均检测精度值mAP达到89.07%、92.82%、92.48%、93.39%、93.20%、93.11%，在成熟、半成熟、未成熟3种不同成熟度下的F1分数值为84%、77%、85%，其识别精度优于比较模型。本文方法实现了在6种复杂环境下有效地番茄果实检测识别，为番茄果实的智能采摘提供理论基础。

关键词：番茄,复杂环境,果实检测,网络模型,YOLOv4,迁移学习

基金资助：山西省重点研发计划重点项目子课题(201903D211011—3)