基于改进YOLOX模型的芝麻蒴果检测方法研究

doi:10.15933/j.cnki.1004-3268.2022.11.018

河南农业科学 ›› 2022, Vol. 51 ›› Issue (11): 155-162.DOI: 10.15933/j.cnki.1004-3268.2022.11.018

• 农业信息与工程·农产品加工 • 上一篇下一篇

基于改进YOLOX模型的芝麻蒴果检测方法研究

王川¹，赵恒滨^1,2，李国强^2,3，张建涛^2,3，高桐梅⁴，赵巧丽^2,3，郑国清^2,3

（1.河南师范大学计算机与信息工程学院，河南新乡 453007；2.河南省农业科学院农业经济与信息研究所/河南省智慧农业工程技术研究中心，河南郑州 450002；3.农业农村部黄淮海智慧农业技术重点实验室，河南郑州 450002；4.河南省农业科学院芝麻研究中心，河南郑州 450002）

收稿日期:2022-09-22 出版日期:2022-11-15 发布日期:2023-01-10
通讯作者: 李国强（1984-），男，河南林州人，研究员，博士，主要从事农业信息技术研究。E-mail：hnagri@qq.com
作者简介:王川（1976-），男，河南新乡人，副教授，硕士，主要从事人工智能理论及应用研究。E-mail：wangch@htu.edu.cn
基金资助:
河南省人社厅留学人员科研资助项目；河南省农业科学院农业经济与信息研究所科技创新领军人才培育计划（2021KJCX02）；河南省重点研发与推广专项（222102110117）

Detection Method of Sesame Capsules Based on Improved YOLOX Model

WANG Chuan¹，ZHAO Hengbin^1,2，LI Guoqiang^2,3，ZHANG Jiantao^2,3，GAO Tongmei⁴，ZHAO Qiaoli^2,3，ZHENG Guoqing^2,3

（1.College of Computer and Information Engineering，Henan Normal University，Xinxiang 453007，China；2.Institute of Agricultural Economics and Information，Henan Academy of Agricultural Sciences/Henan Engineering and Technology Research Center for Intelligent Agriculture，Zhengzhou 450002，China；3.Key Laboratory of Huang‑Huai‑Hai Smart Agricultural Technology，Ministry of Agriculture and Rural Affairs，Zhengzhou 450002，China；4.Sesame Research Center，Henan Academy of Agricultural Sciences，Zhengzhou 450002，China）

Received:2022-09-22 Published:2022-11-15 Online:2023-01-10

摘要/Abstract

摘要： 为实现密集条件下芝麻蒴果的准确检测，提出基于YOLOX模型的芝麻蒴果检测定位方法（CEYOLOX模型）。该模型以CSPDarknet-53作为主干特征提取网络，在路径聚合网络PANet中增加104×104大尺度特征层，增强对目标细粒度特征信息的获取；通过引入注意力机制模块获取目标重要的轮廓特征和空间位置信息；将传统的NMS替换为更有利于重叠目标检测的Soft-NMS算法来降低漏检情况。结果表明，在IoU阈值为0.5时，CE-YOLOX模型在全部测试集上的调和均值（F₁）、召回率、平均精度分别为0.99、98.65%、99.71%，与原模型YOLOX相比，该模型分别提升了0.05、6.27个百分点、3.28个百分点。通过蒴果计数试验，CE-YOLOX模型计数准确率为96.84%，比YOLOX模型提高了5.28个百分点。改进后的模型CE-YOLOX适用于密集条件下芝麻蒴果检测。

关键词: 芝麻蒴果, 果实检测, 注意力机制, 目标检测算法, YOLOX

Abstract: In order to achieve accurate detection of sesame capsules under dense conditions，this study proposes a sesame capsule detection and localization method based on the YOLOX model（CE‑YOLOX model）.In this model，CSPDarknet‑53 is used as the backbone feature extraction network，and a 104×104 large‑scale feature layer is added to the path aggregation network PANet to strengthen the acquisition of the target fine‑grained feature information.By introducing the convolutional block attention module，the important contour features and spatial location information of the object are obtained.The classical NMS is replaced by the Soft‑NMS algorithm，which is more conducive to overlapping target detection，to decrease the missed detection.The results showed that the F₁ average of CE‑YOLOX tested on all datasets at IoU threshold of 0.5 was 0.99，0.05 higher than that of YOLOX.The recall rate and average accuracy of CE‑YOLOX were 98.65% and 99.71%，6.27 and 3.28 percentage points higher than that of YOLOX.The counting accuracy of CE‑YOLOX was 96.84%，5.28 percentage points higher than YOLOX.Consequently，the improved model can recognize sesame capsules under dense conditions.

Key words: Sesame capsules, Fruit detection, Attentional mechanism, Target detection algorithm, YOLOX

中图分类号:

TP391.4

王川, 赵恒滨, 李国强, 张建涛, 高桐梅, 赵巧丽, 郑国清. 基于改进YOLOX模型的芝麻蒴果检测方法研究[J]. 河南农业科学, 2022, 51(11): 155-162.

WANG Chuan, ZHAO Hengbin, LI Guoqiang, ZHANG Jiantao, GAO Tongmei, ZHAO Qiaoli, ZHENG Guoqing. Detection Method of Sesame Capsules Based on Improved YOLOX Model[J]. Journal of Henan Agricultural Sciences, 2022, 51(11): 155-162.

参考文献

［1］王瑞元. 我国芝麻产业的发展［J］.中国油脂，2016，41（2）：1‑2.
WANG R Y.The development of sesame industry in China［J］.China Oils and Fats，2016，41（2）：1‑2.
［2］贾斌，王允，尹海燕，等.黑、白芝麻营养成分及品质的差异分析［J］.河南农业科学，2020，49（5）：69‑74.
JIA B，WANG Y，YIN H Y，et al.Analysis on the difference of nutritional components and quality of black and white sesame seeds［J］.Journal of Henan Agricultural Sciences，2020，49（5）：69‑74.
［3］李春明，裴新涌，张海洋，等.不同供氮水平对夏芝麻氮代谢、产量及品质的影响［J］.河南农业科学，2021，50（9）：63‑70.
LI C M，PEI X Y，ZHANG H Y，et al.Effects of different nitrogen supply levels on nitrogen metabolism，yield and quality of summer sesame［J］.Journal of Henan Agricultural Sciences，2021，50（9）：63‑70.
［4］张体德，王保勤，杜振伟，等.河南省芝麻育种成果回顾与展望［J］.河南农业科学，2017，46（10）：32‑37.
ZHANG T D，WANG B Q，DU Z W，et al.Review and prospect of sesame seed breeding in Henan Province［J］.Journal of Henan Agricultural Sciences，2017，46（10）：32‑37.
［5］李国强，张建涛，胡峰，等.盛花期渍水对不同耐湿性芝麻品种氮素积累与分配的影响［J］.华北农学报，2020，35（5）：81‑88.
LI G Q，ZHANG J T，HU F，et al.Effects of waterlogging at flowering stage on nitrogen accumulation and distribution of different moisture‑tolerant sesame varieties［J］.North China Journal of Agriculture，2020，35（5）：81‑88.
［6］PAYNE A B，WALSH K B，SUBEDI P P，et al.Estimation of mango crop yield using image analysis‑segmentation method［J］.Computers and Electronics in Agriculture，2013，91：57‑64.
［7］ZHANG C，ZHANG K，GE L，et al.A method for organs classification and fruit counting on pomegranate trees based on multi‑features fusion and support vector machine by 3D point cloud［J］.Scientia Horticulturae，2020，278：109791.
［8］李寒，陶涵虓，崔立昊，等.基于SOM-K-means算法的番茄果实识别与定位方法［J］.农业机械学报，2021，52（1）：23‑29.
LI H，TAO H Y，CUI L H，et al.Tomato fruit recognition and location method based on SOM‑K‑means algorithm［J］.Journal of Agricultural Machinery，2021，52（1）：23‑29.
［9］LIU X，ZHAO D，JAI W，et al.A detection method for apple fruits based on color and shape features［J］.IEEE Access，2019（99）：67923‑67933.
［10］GIRSHICK R，DONAHUE J，DARRELL T，et al.Rich feature hierarchies for accurate object detection and semantic segmentation［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition（CVPR）.Columbus，OH，USA，2014：580‑587.
［11］GIRSHICK R. Fast R‑CNN［C］//Proceedings of the IEEE International Conference on Computer Vision，Santiago，Chile，2015：1440‑1448.
［12］REN S，HE K，GIRSHICK R，et al.Faster R‑CNN：Towards real‑time object detection with region proposal networks［C］//Proceeding of the IEEE Transactions on Pattern Analysis and Machine Intelligence. USA，2015：91‑99.
［13］LIU W，ANGUELOV D，ERHAN D，et al.Ssd：Single shot multibox detector［C］//Proceeding of the European Conference on Computer Vision. Cham：Springer，2016：21‑37.
［14］REDMON J，DIVVALA S，GIRSHICK R，et al.You only look once：Unified，real‑time object detection［C］//Proceeding of the IEEE Conference on Computer Vision and Pattern Recognition.Las Vegas：IEEE，2016：779‑788.
［15］LIN T，GOYAL P，GIRSHICK R，et al.Focal loss for dense object detection［C］//Proceeding of the IEEE International Conference on Computer Vision（ICCV）.Venice，Italy：IEEE，2017.
［16］张文静，赵性祥，丁睿柔，等.基于Faster R-CNN算法的番茄识别检测方法［J］.山东农业大学学报（自然科学版），2021，52（4）：624‑630.
ZHANG W J，ZHAO X X，DING R R，et al.Tomato recognition and detection method based on Faster R‑CNN algorithm［J］.Journal of Shandong Agricultural University（Natural Science Edition），2021，52（4）：624‑630.
［17］张伏，陈自均，鲍若飞，等.基于改进型YOLOv4-LITE轻量级神经网络的密集圣女果识别方法［J］.农业工程学报，2021，37（16）：270‑278.
ZHANG F，CHEN Z J，BAO R F，et al.Recognition of dense cherry tomatoes based on improved YOLOv4‑LITE lightweight neural network ［J］.Transactions of the CSAE，2021，37（16）：270‑278.
［18］刘天真，滕桂法，苑迎春，等.基于改进YOLOv3的自然场景下冬枣果实识别方法［J］.农业机械学报，2021，52（5）：17‑25.
LIU T Z，TENG G F，YUAN Y C，et al.Fruit recognition method of winter jujube under natural scene based on improved YOLOv3［J］.Journal of Agricultural Machinery，2021，52（5）：17‑25.
［19］郭瑞，于翀宇，贺红，等.采用改进YOLOv4算法的大豆单株豆荚数检测方法［J］.农业工程学报，2021，37（18）：179‑187.
GUO R，YU C Y，HE H，et al.Detection method of soybean pod number per plant using improved YOLOv4 algorithm［J］. Transactions of the CSAE，2021，37（18）：179‑187.
［20］LIN T，DOLLAR P，GIRSHICK R，et al.Feature pyramid networks for object detection［C］//2017 IEEE Conference on Computer Vision and Pattern Recgnition（CVPR）.Hondulu，HI，USA，2017.
［21］LIU S，QI L，QIN H，et al.Path aggregation network for instance segmentation［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition（CVPR）.Salt Lake City，UT，USA，2018：8759‑8768.
［22］WOO S，PARK J，LEE J Y，et al.CBAM：Convolutional block attention module［C］//Proceeding of the European Conference on Computer Vision（ECCV）. Cham Springer，2018.
［23］BODLA N，SINGH B，CHELLAPPA R，et al.Soft‑NMS—Improving object detection with one line of code［C］//Proceeding of the International Conference on Computer Vision（ICCV）.USA：Computer Vision and Pattern Recognition，2017.
［24］KINGMA D，BA J.Adam：A method for stochastic optimization［C］.Computer Science，2014：1412. 6980.
［25］WU D，LÜ S，JIANG M，et al.Using channel pruning‑based YOLOv4 deep learning algorithm for the real‑time and accurate detection of apple flowers in natural environments［J］.Computers and Electronics in Agriculture，2020，178：105742.
［26］REDMON J，FARHADI A.YOLOv3：An incremental improvement［C］//Proceeding of the IEEE Conference on Computer Vision and Pattern Recognition，2018.
［27］BOCHKOVSKIY A，WANG C Y，LIAO H Y M.YOLOv4：Optimal speed and accuracy of object detection［C］.Computer Science，2020：2004. 10934.
［28］ZHU X，LYU S，WANG X，et al.TPH‑YOLOv5：Improved YOLOv5 based on transformer prediction pead for object detection on drone‑captured scenarios［C］//Proceedings of the IEEE/CVF International Conference on Computer Vision. Montreal，BC，Canada，
2021：2778‑2788.

[1]	李东亚, 白涛, 香慧敏, 戴硕, 王震鲁, 陈珍. 基于RoBERTa 多特征融合的棉花病虫害命名实体识别[J]. 河南农业科学, 2024, 53(2): 152-161.
[2]	于雁南, 莫泳彬, 严继池, 熊春林, 窦世卿, 杨荣峰. 基于改进ShuffleNet V2 的柑橘病害识别研究[J]. 河南农业科学, 2024, 53(1): 142-151.
[3]	钟正扬, 云利军, 杨璇玺, 陈载清. 基于改进YOLOX 的自然环境下核桃识别算法研究[J]. 河南农业科学, 2024, 53(1): 152-161.
[4]	王焕鑫, 沈志豪, 刘泉, 刘金江. 基于改进MobileNetV2 模型的农作物叶片病害识别研究[J]. 河南农业科学, 2023, 52(4): 143-151.
[5]	韦钙兴, 易文龙, 刘昱成, 赵应丁, 陈庭倬. 基于改进U-Net 的水稻叶片细胞分割方法研究[J]. 河南农业科学, 2023, 52(3): 153-160.
[6]	吕宗旺, 王玉琦, 孙福艳. 基于改进U-Net 的不同容重小麦籽粒识别检测[J]. 河南农业科学, 2023, 52(10): 141-152.
[7]	刘江鹏, 牛群峰, 靳毅, 陈霞, 王莉, 袁强. 基于高效通道注意力机制与多尺度特征融合的烟丝图像识别方法研究[J]. 河南农业科学, 2022, 51(11): 145-154.

基于改进YOLOX模型的芝麻蒴果检测方法研究

Detection Method of Sesame Capsules Based on Improved YOLOX Model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 7

编辑推荐

Metrics