基于改进COF-YOLO v8n的油茶果静态与动态检测计数方法

作     者：王金鹏 何萌 甄乾广 周宏平 WANG Jinpeng;HE Meng;ZHEN Qianguang;ZHOU Hongping

作者机构：南京林业大学机械电子工程学院南京210037 

出 版 物：《农业机械学报》 (Transactions of the Chinese Society for Agricultural Machinery)

年 卷 期：2024年第55卷第4期

页      面：193-203页

核心收录：

学科分类：082804[工学-农业电气化与自动化] 08[工学] 0828[工学-农业工程] 

基　　金：国家林业和草原局应急科技项目(202202-3) 江苏省农业科技自主创新基金项目(CX(22)3099) 江苏省现代农机装备与技术推广项目(NJ2021-18) 江苏省重点研发计划项目(BE20211016-2)。 

主　　题：油茶果 机器视觉 COF-YOLO v8n 计数 产量估计 

摘      要：针对自然环境下油茶果存在严重遮挡、近景色、小目标等现象,使用YOLO网络存在检测精度低、漏检现象严重等问题,提出对YOLO v8n网络进行改进。首先使用MPDIOU作为YOLO v8n的损失函数,有效解决因为果实重叠导致的漏检问题;其次调整网络,向其中加入小目标检测层,使网络能够关注小目标油茶以及被树叶遮挡的油茶;最后使用SCConv作为特征提取网络,既能兼顾检测精度又能兼顾检测速度。改进COF-YOLO v8n网络精确率、召回率、平均精度均值分别达到97.7%、97%、99%,比未改进的YOLO v8n分别提高3.2、4.8、2.4个百分点,其中严重遮挡情况下油茶检测精确率、召回率、平均精度均值分别达到95.9%、95%、98.5%,分别比YOLO v8n提高4.0、9.1、4.6个百分点。因此改进后COF-YOLO v8n网络能够明显提高油茶在严重遮挡、近景色、小目标均存在情况下的识别精度,减小油茶的漏检。此外,模型能够实现动、静态输入条件下油茶果计数。动态计数借鉴DeepSORT算法的多目标跟踪思想,将改进后COF-YOLO v8n的识别输出作为DeepSORT的输入,实现油茶果实的追踪计数。所得改进模型具有很好的鲁棒性,且模型简单可以嵌入到边缘设备中,不仅可用于指导自动化采收,还可用于果园产量估计,为果园物流分配提供可靠借鉴。