易 诗，李俊杰，张 鹏，王丹丹

基于特征递归融合YOLOv4网络模型的春见柑橘检测与计数

易 诗1,2，李俊杰1，张 鹏1，王丹丹1

（1. 成都理工大学机电工程学院，成都 610059；2. 重庆邮电大学工业互联网与网络化控制教育部重点实验室，重庆 400065）

春见柑橘个体小、单株果树柑橘密集、柑橘之间的形态与颜色相似度高且易被树叶严重遮挡，这些特点给春见柑橘检测与计数带来了较大困难。该研究以实际春见果园环境中的春见柑橘作为检测与计数对象，提出了一种以春见柑橘为检测目标的基于特征递归融合YOLOv4网络模型（YOLOv4 network model based on recursive fusion of features，FR-YOLOv4）。针对春见柑橘尺寸小的特点，FR-YOLOv4网络模型的主干特征提取网络采用了感受野更小的CSPResNest50网络，降低了小尺寸目标的特征图传不到目标检测器中的可能性；针对春见柑橘被遮挡和密集分布的情况，采用了递归特征金字塔（Recursive Feature Pyramid，RFP）网络来进行特征递归融合，提高了对果园环境下春见柑橘的检测精度。试验结果表明：FR-YOLOv4网络模型对于果园环境中春见柑橘的平均检测精度为94.6%，视频检测帧率为51帧/s。FR-YOLOv4网络模型相比于YOLOv4、单次多框检测器（Single Shot Multi-Box Detector，SSD）、CenterNet和更快速卷积神经网络（Faster- Region-Convolutional Neural Networks，Faster R-CNN）的平均检测精度分别提高了8.9、29.3、14.1和16.2个百分点，视频检测帧率分别比SSD、Faster R-CNN提高了17和33帧/s。FR-YOLOv4网络模型对于实际果园环境中春见柑橘的检测精度高，具备检测实时性，适用于春见果园中春见柑橘检测与计数。

机器视觉；图像处理；模型；检测；春见柑橘；YOLOv4

0 引 言

随着农业智能化与自动化的普及，种植园果实的检测与计数是近年来的研究热点。……