在树果应用中开发机器视觉 - - 在自动收获中计算水果数量,水果大小和避免树枝

科学领域:

• 计算机视觉 计算机视觉
• 农业技术 农业技术
• 机器学习 机器学习

背景情况:

• 深度成像硬件和二维卷积神经网络 (CNN) 的进步正在推动机器视觉的采用.
• 主流模型现在经常在性能上超越应用程序特定的架构.
• 公开发布培训和测试数据集对于验证和重新评估研究至关重要.

研究的目的:

• 评估主流CNN模型对主要果园应用的有效性:果子计数,果子大小和树枝避免.
• 量化随机过程对模型再培训的影响.
• 评估边缘计算设备对实时农业任务的可行性.

主要方法:

• 使用YOLOv8m和YOLOv9模型进行对象检测和细分任务.
• 与MangoYOLO和Mask R-CNN等基准模型进行性能比较.
• 开发并实施了一个使用YOLOv8m-seg. 的分支回避算法.
• 确保所有培训和测试数据集公开可用.

主要成果:

• YOLOv8m实现了99.3%的mAP50实时果果检测,表现优于MangoYOLO.
• YOLOv8和v9模型在果实和树枝检测的准确性和推断速度方面超过了Mask R-CNN.
• YOLOv8m-seg在水果大小测定方面表现出与Mask R-CNN相似的准确性,推断时间显著缩短.
• 在重复训练中mAP的低变化系数 (0.2%2%) 表明模型的稳定性.

结论:

• 与以前的基准相比,主流的CNN模型,特别是YOLOv8,在自动果收获任务中提供了卓越的性能和效率.
• 简短的推断时间使边缘计算设备上的实时实现成为可能,从而促进现场采用.
• 公共可用的数据集和可重复的培训实践提高了农业机器视觉研究的可靠性和重新评估.