改进YOLOv4的野生菌视觉检测方法

作     者：张泽冰 张冬妍 娄蕴祎 崔明迪 王克奇 ZHANG Zebing;ZHANG Dongyan;LOU Yunyi;CUI Mingdi;WANG Keqi

作者机构：东北林业大学机电工程学院哈尔滨150040 

出 版 物：《计算机工程与应用》 (Computer Engineering and Applications)

年 卷 期：2023年第59卷第20期

页      面：228-236页

核心收录：

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 081104[工学-模式识别与智能系统] 08[工学] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：林业公益性行业科研专项(201504307) 中央高校基本科研业务费专项资金(2572019AB21) 

主　　题：目标检测 野生香菇 YOLOv4 ShuffleNetv2 模型轻量化 检测精度优化 

摘      要：人工搜寻野生香菇效率低下,且存在一定危险性;而对于复杂情况下小目标检测的算法研究多集中于精度提升,检测效率与模型参数量不满足实际需求。基于此,提出一种基于改进YOLOv4的机器视觉检测方法,在保证精度前提下,提升检测效率,满足嵌入式设备的需求。以YOLOv4为框架,采用高效的ShuffleNetv2特征提取网络、轻量级的自适应空间特征融合(ASFF)结构减少网络参数和计算量,针对检测分支,将深度可分离卷积(DWConv)和金字塔卷积(PyConv)替代普通卷积以进行轻量化改进。在此基础上优化模型精度:网络输出端引入SA注意力模块以少量计算代价弥补轻量化改进造成的精度损失;最后Weight DIoU NMS算法优化预测框选取。利用1 112张野生蘑菇图片,按照8∶2的比例划分训练集与测试集。实验结果表明:改进YOLOv4模型检测结果 AP为88.76%,F1为0.858,FPS为67.93,模型权重尺寸为52.28 MB,相比于YOLOv4的AP为91.5%,F1为0.890,FPS为37.15,精度变化幅度小,速度提升82.9%,模型权重尺寸仅为原来的21.4%。网络模型在保证检测精度的同时,检测速度明显提升,可为野生菌嵌入式采摘设备提供理论支持。