基于轻量级MobileNet V3-YOLOv4的生长期菠萝成熟度分析

作     者：李阳德 马晓慧 王骥 LI Yangde;MA Xiaohui;WANG Ji

作者机构：广东省电信规划设计院有限公司第四分公司广东湛江524088 华中科技大学电子信息与通信学院湖北武汉430070 广东海洋大学电子与信息工程学院广东湛江524088 广东省智慧海洋传感网及其装备工程技术研究中心广东湛江524088 

出 版 物：《智慧农业（中英文）》 (Smart Agriculture)

年 卷 期：2023年第5卷第2期

页      面：35-44页

核心收录：

学科分类：08[工学] 081203[工学-计算机应用技术] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：广东省人工智能领域专项(2019KZDZX1046)。 

主　　题：菠萝成熟度 骨干网络 MobileNet V3-YOLOv4 Faster R-CNN SSD300 Retinanet Centernet 轻量级 

摘      要：[目的/意义]菠萝的贮藏性与成熟度相关,菠萝采摘前对其成熟度进行识别尤为重要。本研究目的在于提出一种新型网络模型,提高菠萝成熟度自动识别的准确率和速度。[方法]首先针对菠萝训练数据集样本少与实时性差等不足,利用在自然环境下拍摄的菠萝照片,自建了种植区场景菠萝成熟度分析数据集。之后将YOLOv4骨干网络替换成轻量级网络MobileNet V3,提出了轻量级的MobileNet V3-YOLOv4网络。同时训练了原YOLOv4模型、MobileNet V1-YOLOv4模型、MobileNet V2-YOLOv4模型以及Faster R-CNN、YOLOv3、SSD300、Retinanet、Centernet等五种不同的单、双阶段网络模型,并对比模型的评价指标,分析本文模型的优越性。[结果和讨论]试验结果表明,MobileNet V3-YOLOv4训练时间为11,924 s,参数量为53.7 MB,训练好的MobileNet V3-YOLOv4在验证集的平均精度均值(mean Average Precision,mAP)为90.92%,对于黄熟期菠萝和青熟期菠萝两种类别的检测精确率(Precision)分别为100%和98.85%,平均精度(Average Precision,AP)值分别为87.62%、94.21%,召回率(Recall)分别为77.55%、86.00%,F_(1)分数(F_(1)Score)分别为0.87和0.92,推理速度(Frames Per Second,FPS)80.85 img/s。[结论]本研究提出的MobileNet V3-YOLOv4实现了在降低训练速度、减小参数量的同时,提高了菠萝成熟度识别的精度和推理速度,满足实际检测需求。