一个改进的YOLOv5s模型用于在自动收获场景中评估果的抓取能力
Huibin Li1, Peng Yang2, Huaiyang Liu3
1State Key Laboratory of Efficient Utilization of Arid and Semi-arid Arable Land in Northern China, Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing, China.
Frontiers in plant science
|December 27, 2023
概括
自动果采摘需要识别可抓取的水果. 这项研究增强了YOLOv5s用于检测多封闭的果,提高了果园中可抓取,暂时不可抓取和不可抓取水果的准确性.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
背景情况:
- 劳动力成本不断上升,需要农业的自动化解决方案.
- 精确的果检测和抓取能力评估对于机器人收获至关重要.
- 现有的方法在复杂的果园环境中与多封闭的果作斗争.
研究的目的:
- 开发一个增强的YOLOv5s模型来检测多封闭的果.
- 在具有挑战性的果园条件下准确确定果的抓取能力.
- 为了降低数据生产成本,使用引导自己的潜在 (BYOL) 和知识转移 (KT) 策略.
主要方法:
- 一个增强的YOLOv5s模型,包含启动你自己的潜在 (BYOL) 和知识转移 (KT) 策略.
- 集成选择性内核 (SK) 模块,用于精确识别果封闭类型.
- 使用新型指标进行评估:APGA (可抓取),APTUGA (暂时无法抓取) 和APUGA (无法抓取) 果检测准确度.
主要成果:
- 改进的YOLOv5s模型实现了高检测准确度:94.78%的可抓果 (APGA),93.86%的暂时不可抓果 (APTUGA),和94.98%的不可抓果 (APUGA).
- 拟议的方法显著优于目前的轻量级模型,如YOLOX和YOLOv7s.
- 该模型有效地识别了多封闭的果及其抓取状态.
结论:
- 增强的YOLOv5s模型提供了一个强大的解决方案,用于检测多封闭的果和评估抓取性.
- 这一进步对于开发高效的自动果采摘设备至关重要.
- 未来的工作重点是整合水果姿势和阻塞检测,以提高机器人的感知能力.
