周學成教授團隊：基於改進YOLOX的自然環境中火龍果檢測方法（《智慧農業（中英文）》2022年第3期）

引用格式

商楓楠, 周學成, 梁英凱, 肖明瑋, 陳橋, 羅陳迪. 基於改進YOLOX的自然環境中火龍果檢測方法[J]. 智慧農業(中英文), 2022, 4(3): 120-131.

SHANG Fengnan, ZHOU Xuecheng, LIANG Yingkai, XIAO Mingwei, CHEN Qiao, LUO Chendi. Detection method for dragon fruit in natural environment based on improved YOLOX[J]. Smart Agriculture, 2022, 4(3): 120-131.

知網閱讀

官網閱讀（全文，免費）

基於改進YOLOX的自然環境中火龍果檢測方法

商楓楠^1，2，3， 周學成^1，2，3*， 梁英凱^1，2，3， 肖明瑋^1，2，3， 陳橋^1，2，3， 羅陳迪^1，2，3

（1.華南農業大學 工程學院，廣東廣州 510642；2.廣東省農業人工智慧重點實驗室，廣東廣州 510642；3.南方農業機械與裝備關鍵技術教育部重點實驗室，廣東廣州 510642）

摘要：自然環境下果實的精準檢測是火龍果採摘機器人執行採摘作業的先決條件。為提高自然環境下果實識別的精確性、魯棒性和檢測效率，本研究對YOLOX（You Only Look Once X）網路進行改進，提出了一種含有注意力模塊的目標檢測方法。為便於在嵌入式設備上部署，本方法以YOLOX-Nano網路為基準，將卷積注意力模塊（Convolutional Block Attention Module，CBAM）添加到YOLOX-Nano的主幹特徵提取網路中，通過為主幹網路提取到不同尺度的特徵層分配權重係數來學習不同通道間特徵的相關性，加強網路深層信息的傳遞，降低自然環境背景下對火龍果識別的干擾。對該方法進行性能評估和對比試驗，經過訓練後，該火龍果目標檢測網路在測試集的AP_0.5值為98.9%，AP_0.5:0.95的值為72.4%。在相同試驗條件下對比其它YOLO網路模型，該方法平均檢測精度分別超越YOLOv3、YOLOv4-Tiny和YOLOv5-S模型26.2%、9.8%和7.9%。最後對不同解析度的火龍果果園自然環境下採集的視頻進行實時測試。試驗結果表明，本研究提出的改進YOLOX-Nano目標檢測方法，每幀平均檢測時間為21.72 ms，F₁值為0.99，模型大小僅3.76 MB，檢測速度、檢測精度和模型大小滿足自然環境下火龍果採摘的技術要求。

關鍵詞：水果採摘；自然環境；火龍果；目標檢測；YOLOX；注意力機制；深度學習

文章圖片

圖1 不同拍攝環境下火龍果原始圖像

Fig. 1 Original images of dragon fruit in different environments

圖2 改進後的YOLOX網路結構

Fig. 2 The network structure of improved YOLOX

圖3 卷積注意力模塊結構

Fig. 3 Convolutional Block Attention Module structure

圖4 不同輸入解析度的YOLOX-Nano損失曲線

Fig. 4 Loss curves of YOLOX-Nano with different input resolutions

圖5 YOLOX-Nano改進前後火龍果檢測結果對比

Fig. 5 Comparison of test results of YOLOX-Nano before and after improvement

圖6 YOLOX-Nano改進前後火龍果檢測結果對比

Fig. 6 Test results comparison of YOLOX-Nano before and after the improvement

圖7 順光時不同網路火龍果檢測效果

Fig. 7 Dragon fruit detection effect of different networks during lighting

圖8 遮陰時不同網路火龍果檢測效果

Fig. 8 Dragon fruit detection effect of different networks during shading

圖9 逆光時不同網路火龍果檢測效果

Fig. 9 Dragon fruit detection effect of different networks during backlighting

圖10 改進的YOLOX-Nano網路火龍果檢測幀率對比

Fig. 10 Comparison of dragon fruit detection frame rates of improved YOLOX-Nano network

通訊作者簡介

周學成 教授

周學成，華南農業大學教授，工學博士。主持承擔國家「863」計劃、國家重點研發計劃、國家自然科學基金面上項目等課題，研究工作涉及智能成像檢測和智能農機裝備等領域，主要研究方向包括原位根系的三維成像檢測、農產品內部品質無損檢測和果蔬採摘機器人等方面。公開發表學術論文30多篇，獲得國家授權發明專利4項、軟體著作權5項。

來源：《智慧農業（中英文）》2022年第3期

轉載請聯繫編輯部授權

本期支持單位

浙江臻善科技股份有限公司

濰柴雷沃重工股份有限公司

小

店

歡迎光臨選購

智慧農業微信交流服務群

為方便農業科學領域讀者、作者和審稿專家學術交流，促進智慧農業發展，為更好地服務廣大讀者、作者和審稿人，編輯部建立了微信交流服務群，有關專業領域內的問題討論、投稿相關的問題均可在群里諮詢。入群方法：加小編微信331760296，備註：姓名、單位、研究方向，小編拉您進群，機構營銷廣告人員勿擾。

發布徵集

歡迎在我公眾號發布科研團隊介紹、創新科研成果及相關活動等信息。