基于改进YOLOv7的番茄果实成熟度检测方法
2025-08-03谭荣英李小明李军辉宋一明
中图分类号S126 文献标识码A文章编号 0517-6611(2025)12-0193-03
doi:10.3969/j.issn.0517-6611.2025.12.042
开放科学(资源服务)标识码(OSID):

MaturityDetection of Tomato Based on Improved YOLOv7
TANRong-yig,iang,LJun-etal(ShlfSartAultureEgiingeiVocaalClgeoflureejing 102442)
AbstractTouratelyentifyeatuityoftoatoargtinfcilitviroents,provetectioefecydaltydchve inteligentharvestingAancdLOodelisroposdfotetigtaturitoftgettoatofruis.sproachce model'sfocusonteagetregiosfputdatabyitegatintheCBAatetiomehasm;eploingtheSof-algoritetiely preventsissdetetiosuetigsitepngetsgsuppesdbyaingetiofoacngte originallossfunctioEOUandeplacing iithIOU,eexperientalsultssowtatteimprovedYOLOodelhasdetectioecision of 93.1% ,a recall rate of 90.8% ,and a mean average precision of 94.8% . Compared with the original YOLOv7 and YOLOv5 models,it hasimprovedindetetionprecision,ecallate,andmanaverageprecision,providingtechicalreferecefortmatoharvestingoplex environments.
Key words Tomato; YOLOv7; Maturity detection; Target recognition
番茄收获过程中,人工采摘成本占据 33%~50% 。不仅效率低下,而且劳动强度极大[]。番茄采摘机器人是实现智能化作业、提高工作效率、减少人工成本的重要手段。采摘机器人设计难点是番茄的识别和定位,其准确性关系采摘机器人的工作效率2。自然条件下在设施温室内,番茄果实生长环境较为多变,果实之间存在叶片枝干遮挡、重叠、黏连等情况,这些因素给智能化采摘作业带来了一定的困难。随着深度学习、机器视觉等技术的快速发展,提升设施温室内自然环境下番茄果实目标检测的准确性和效率对于提高采摘效率,实现机器智能采摘具有重要意义。
近年来,国内外学者围绕深度学习技术对番茄果实目标识别展开了深人研究。刘建航等[3提出基于改进YOLOv4和ICNet的番茄串检测模型,改进后的模型对番茄及番茄串的平均检测精度为 99.31% ,参数量减少了 18% ,平均识别速度为 32f/s ,对番茄串的准确采摘率为 84.8% ,完成1次采摘作业耗时约6s,为复杂温室大棚环境下的农作物采摘提供了技术支撑。杨坚等[4]提出一种基于改进YOLOv4-tiny 的番茄成熟度识别模型,能够有效解决遮挡和小番茄识别准确率低的问题。何斌等[5]提出一种基于改进YOLOv5的夜间番茄果实的识别方法,结果表明夜间环境下番茄绿色果实识别精度、红色果实识别精度和综合平均识别精度分别为96.2% .97.6% 和 96.8% ,验证了模型对夜间环境下番茄果实识别的可靠性与准确性。……
