基于YOLO网络的设施农业环境中绿色番茄检测算法研究.pdf

目录

摘要Ⅰ

AbstractⅡ

第一章绪论1

1.1研究背景及意义1

1.2国内外研究现状1

1.2.1基于机器学习的果实目标检测算法2

1.2.2基于深度学习的果实目标检测算法5

1.3论文研究内容及创新点10

1.3.1研究内容11

1.3.2创新点12

1.4论文组织结构12

第二章设施环境下绿色番茄数据集构建14

2.1图像采集及处理14

2.2图像增强及标注15

2.3数据集制作15

2.4本章小结16

第三章基于YOLOv5改进的绿色番茄检测方法17

3.1YOLOv5算法17

3.2优化YOLOv5目标检测算法18

3.2.1骨干网络18

3.2.2颈部网络20

3.2.3FocalLoss损失函数21

3.3实验流程及评估指标22

3.3.1实验流程22

3.3.2评估指标23

3.4检测结果分析24

3.4.1改进后模型检测效果24

3.4.2与其它模型的对比25

3.5本章小结27

第四章基于YOLOv7的绿色重叠番茄检测方法28

4.1整体结构28

4.2骨干网络28

4.3CoordinateAttention29

4.4ConvNext模块31

4.5损失函数32

4.6实验流程32

4.7检测结果分析33

4.7.1消融实验33

4.7.2对比试验35

4.8本章小结38

第五章总结与展望39

5.1总结39

5.2展望40

参考文献41

致谢47

攻读学位期间发表的学术成果48

摘要

为了积极响应国家乡村振兴战略，持续推动智慧农业发展，提高农业智能装备作业性

能，本研究旨在提升设施农业装备的智慧化水平，以设施农业环境下绿色番茄为研究对象，

构建绿色番茄精准检测算法，实现番茄生长监测和科学化管理。由于生长期的绿色番茄与

其背景枝叶颜色相近，受机位影响导致的果实重叠和枝叶遮挡，以及光线的影响，这些因

素严重制约着绿色番茄的检测精度。受YOLO（YouOnlyLookOnce）检测算法思想的启

发，针对复杂的设施农业环境下生长期的绿色番茄果实检测难题展开研究，以提升设施农

业装备对绿色果实的识别精度，本研究的主要内容如下：

（1）当前设施农业环境下绿色番茄数据集的数量较少，为此，本研究充分考虑设施农

业环境下光线、机位等因素的影响，采集绿色番茄图像；对采集的图像进行筛选、裁剪、

增强等预处理后，采用LabelMe软件对目标果实进行人工标注，并将数据保存为COCO格

式；最后按照9：1的比例划分训练集和测试集，完成绿色番茄数据集的构建。

（2）针对绿色番茄与枝叶背景颜色相近导致的目标果实出现误识或漏识现象，本研究

设计基于YOLOv5优化的绿色果实检测模型。通过引入ECA-Net和CBAM模块增强网络

对绿色番茄空间和通道特征的关注度；采用FocalLoss损失函数控制正负样本和难易分类

样本的权重，以提升正样本对模型的影响。实验结果表明，YOLOv5优化模型的平均检测

精度达到80.1%。

（3）针对绿色番茄果实重叠或枝叶遮挡导致的边界模糊或漏检问题，本研究提出基于

YOLOv7优化的检测模型。借助CoordinateAttention