Um Método Aprimorado de Detecção de Objetos de Maçã Baseado em YOLOv4 Leve em Exemplos Complexos

As redes neurais convolucionais recentemente experimentaram um desenvolvimento bem-sucedido no campo da visão computacional. Na agricultura de precisão, robôs de colheita de maçãs utilizam métodos de visão computacional para detectar maçãs em pomares. No entanto, os algoritmos de detecção de objetos existentes frequentemente enfrentam problemas como sombreamento por folhas, ambientes de iluminação complexa e alvos de reconhecimento pequenos e densos, resultando em baixas taxas de detecção de maçãs e localizações imprecisas. Em vista desses problemas, projetamos um modelo de detecção de maçã baseado em YOLOv4 leve — chamado YOLOv4 Aprimorado — sob a perspectiva da aplicação industrial. Primeiro, para melhorar a precisão da detecção enquanto reduz a quantidade de cálculo, a rede de extração de características GhostNet com um módulo de Atenção por Coordenadas é implementada no YOLOv4, e a convolução separável em profundidade é introduzida para reconstruir as estruturas do pescoço e da cabeça do YOLO. Em seguida, um módulo de Atenção por Coordenadas é adicionado à estrutura da rede piramidal de características (FPN) para aumentar a capacidade de extração de características para alvos médios e pequenos. Nos últimos 15% das épocas em treinamento, a estratégia de aumento de dados tipo mosaico é desativada para melhorar ainda mais o desempenho da detecção. Finalmente, uma estratégia de triagem de alvos de longo alcance é proposta para pomares de maçã com plantio denso padronizado com porta-enxertos anões, removendo maçãs em linhas não-alvo e melhorando o desempenho da detecção e a velocidade de reconhecimento. No conjunto de dados de maçã construído, comparado com o YOLOv4, o mAP do YOLOv4 Aprimorado foi aumentado em 3,45% (para 95,72%). O tamanho do peso do YOLOv4 Aprimorado é de apenas 37,9 MB, 15,53% do YOLOv4, e a velocidade de detecção é melhorada em 5,7 FPS. Dois métodos de detecção de tamanho semelhante — YOLOX-s e EfficientNetB0-YOLOv3 — foram comparados com o YOLOv4 Aprimorado. O YOLOv4 Aprimorado superou esses dois algoritmos em 1,82% e 2,33% de mAP, respectivamente, no conjunto total de teste e teve desempenho ótimo em todas as condições de iluminação. Os resultados apresentados indicam que o YOLOv4 Aprimorado possui excelente precisão de detecção e boa robustez, e a estratégia proposta de triagem de alvos de longo alcance tem um importante valor de referência para resolver o problema da identificação precisa e rápida de várias frutas em pomares padrão.