APP下载

CBS-YOLO:复杂环境下的轻量化葡萄果实检测算法

2025-08-30李刚陈琳卢承方郜潘栓龚程杰

江苏农业科学 2025年13期

中图分类号:S126;TP391.41 文献标志码:A 文章编号:1002-1302(2025)13-0241-12

葡萄是一种适应性强、口感鲜美、色泽艳丽的木质藤本植物,富含维生素和抗氧化物质,具有抗衰老、抗炎等多种健康功效,深受消费者喜爱。我国葡萄种植面积已远远超过70万 hm2 ,主要分布在新疆、宁夏、甘肃等地,形成了完善的产业链,成为乡村振兴的重要动力[1-2]。随着产量持续增长,提高采摘效率成为产业发展的迫切需求。近年来,农业自动采摘机械的研发与应用快速发展,其中实时高效的检测算法成为提高机械效率的关键[3-6]。然而,由于农业机械计算设备性能的多样性,目标检测模型需要兼顾轻量化与高精度,以适应低算力设备的运行需求。因此,设计一种轻量化、高效且精准的葡萄果实检测模型,对推动葡萄自动采摘技术的发展和产业升级具有重要意义。

近年来,基于计算机视觉和深度学习的目标检测算法迅速发展,并广泛应用于各个领域。作为一种快速且精准的目标检测算法,YOLO系列模型在多个领域取得了显著的应用成果,并得到了良好的落地发展。许多专家学者也开始深人探索YOLO模型在果实检测和自动采摘技术中的应用[7-10],推动这一领域的技术进步。李国进等提出了一种基于轻量级网络的酿酒葡萄检测模型(WDGM),该模型基于YOLOv3并在此基础上进行改进优化,在加速目标检测速度的同时,提升了小目标检测的精度[1]。试验结果表明,该模型在酿酒葡萄图像数据集上的平均精度为 81.20% ,网络结构大小仅为44MB ,且每幅图像的检测时间为 6.29ms ;相较于当前主流的复杂模型,该模型仍有一定的精度提升空间。……

登录APP查看全文