• 全部
主办单位:煤炭科学研究总院有限公司、中国煤炭学会学术期刊工作委员会
基于超分重建与Dy-YOLOv7的茶叶分级识别
  • 作者

    李龙孙雅

  • 单位

    安徽理工大学人工智能学院安徽理工大学创新方法推广应用与示范基地

  • 摘要
    目的 通过对优质茶叶嫩芽不同姿态的识别,为一体化的选择性采收提供技术支持。方法 通过Real-ESRGan网络对部分茶芽图像进行重建,丰富图像中包含的特征信息;后使用Dy-YOLOv7网络检测茶叶嫩芽,首先,在Backbone和Neck侧分别嵌入SE、CBAM和EMA3种注意力机制,探索注意力机制的最佳嵌入点,最终构建SE-ELAN-H模块,提升层内特征的提取能力;其次,将检测头部IDetect_Head替换为具有统一尺度感知、空间感知和任务感知的DyHead(Dynamic Head),以获得更强的特征表达能力;最后,使用MPDIoU(Maximum Partially Differentiable IoU)作为模型边界框损失函数,克服IoU损失函数的不可导性以及局部最优问题,让模型预测边界框更聚焦于嫩芽目标。结果 Dy-YOLOv7算法对于茶叶单芽的平均精度均值为91.6%,一芽一叶为92.5%,一芽二叶为94.6%,与原始YOLOv7相比,精度分别提高了5.5%、2.1%和3.8%。结论 该方法在兼顾准确率的前提下,实现了对优质茶苗不同姿态的识别,可为茶叶嫩芽分级识别、智能化采摘提供重要的理论基础。
  • 关键词

    Real-ESRGanYOLOv7茶叶嫩芽分级识别

  • 基金项目(Foundation)
    安徽省高校自然科学研究项目(KJ2021A0418);安徽理工大学高层次人才引进科研启动基金(13200391);创新方法在茶叶采摘装备领域的推广应用研究与实践(2022AHIMG03);
  • 文章目录


    1 材料和方法
    1.1 数据采集
    1.2 数据增强
    2 算法框架及关键技术
    2.1 YOLOv7目标检测模型
    2.2 算法框架
    1)超分辨率重建
    2)数据扩增
    3)Dy-YOLOv7网络训练
    2.3 Real-ESRGan 超分辨率网络
    2.4 Dy-YOLOv7模型
    3 实验与分析
    3.1 实验环境
    3.2 评价指标
    3.3 不同注意力机制检测性能对比
    3.4 不同损失函数检测性能对比
    3.5 消融实验
    3.6 对比实验及数据分析
    4 结语
  • 引用格式
    [1]李龙,孙雅.基于超分重建与Dy-YOLOv7的茶叶分级识别[J].安徽理工大学学报(自然科学版),2024,44(04):29-39.
相关问题

主办单位:煤炭科学研究总院有限公司 中国煤炭学会学术期刊工作委员会

©版权所有2015 煤炭科学研究总院有限公司 地址:北京市朝阳区和平里青年沟东路煤炭大厦 邮编:100013
京ICP备05086979号-16  技术支持:云智互联