水果图像处理和深度学习的融合:基于R-LBP算法和YOLO-CIT模型的果成熟度识别研究
Chenglin Wang1, Qiyu Han1, Chunjiang Li1
1Faculty of Modern Agricultural Engineering, Kunming University of Science and Technology, Kunming, China.
Frontiers in plant science
|June 21, 2024
概括
这项研究引入了YOLO-CIT模型与粗度-局部二进制模式 (R-LBP) 以准确识别果成熟度. 该模型有效地区分不同阶段,帮助机器人收获和产量估计.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 准确的果成熟度识别对于机器人收获和产量估计至关重要.
- 挑战包括区分绿色水果和叶子,以及部分成熟的水果和成熟的水果.
研究的目的:
- 开发一个准确和高效的模型来识别类水果的成熟阶段.
- 为了提高果采摘机器人和产量估计系统的性能.
主要方法:
- 提出了YOLO-CIT模型,集成粗度-局部二进制模式 (R-LBP) 进行增强的纹理分析.
- 在子网络中使用了修改后的YOLOv5s骨干与CBAM和Ghostconv.
- 通过将R-LBP加工水果段与灰度背景段相结合,生成合成图像.
主要成果:
- R-LBP算法有效地放大了纹理特征,以区分成熟度.
- YOLO-CIT模型实现了88.13%的精度,93.16%的回忆,90.89的F1得分和85.88%的mAP@0.5.5.
- 在复杂的环境中显示出平均检测速度为6.1ms.
结论:
- 与R-LBP相结合的YOLO-CIT模型在现实条件下准确且快速识别类水果的成熟度.
- 这项技术可以有效地指导机器人收获目标和路径规划.
