基于特征提取改进YOLOv3算法的马铃薯畸形识别

作     者：王琦 王关平 吴晨光 张文瀚 WANG Qi;WANG Guanping;WU Chenguang;ZHANG Wenhan

作者机构：甘肃农业大学机电工程学院甘肃兰州730070 

出 版 物：《农业装备与车辆工程》 (Agricultural Equipment & Vehicle Engineering)

年 卷 期：2024年第62卷第1期

页      面：7-11,33页

学科分类：080904[工学-电磁场与微波技术] 0810[工学-信息与通信工程] 0809[工学-电子科学与技术（可授工学、理学学位）] 081203[工学-计算机应用技术] 08[工学] 081105[工学-导航、制导与控制] 081001[工学-通信与信息系统] 0835[工学-软件工程] 081002[工学-信号与信息处理] 0825[工学-航空宇航科学与技术] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金青年基金项目(32201663) 甘肃省高等学校创新基金项目(2020A-050) 甘肃农业大学青年导师基金项目(GAU-QDFC-2019-10) 西北中药材全程机械化科研基地建设项目(2109-000000-20-01-199092) 

主　　题：马铃薯畸形 YOLOv3算法 注意力特征金字塔 深度学习 

摘      要：马铃薯畸形严重影响其商品价值,畸形剔除成为马铃薯产后售前的核心工作步骤之一。目前,该环节主要依靠人工目测进行,劳动消耗量大、投入成本高,精准、高效的自动检测技术亟待开发。近年来,机器视觉在物体外观及特性识别领域引起广泛关注,而马铃薯畸形属于马铃薯形态特征,故在获取马铃薯外形照片的基础上,采用改进的YOLOv3算法对马铃薯畸形进行识别。使用注意力特征金字塔替换YOLOv3算法中的特征金字塔,克服了特征融合过程中的干扰,增强网络的深层特征提取,并优化了特征表达,进而达到提升畸形检测精度、可靠性的目的。实验结果表明,改进的YOLOv3算法相比改进前精确率提升2.68%,F1精度提升2.31%,mAP提升3.34%,针对深层特征的检测能力明显增强。该算法高效、精准,为马铃薯畸形检测提供了一种更优的智能检测方法。