基于改进YOLOv7 的苹果表面缺陷轻量化检测算法

doi:10.15933/j.cnki.1004-3268.2024.03.015

河南农业科学 ›› 2024, Vol. 53 ›› Issue (3): 141-150.DOI: 10.15933/j.cnki.1004-3268.2024.03.015

• 农业信息与工程·农产品加工 • 上一篇下一篇

基于改进YOLOv7 的苹果表面缺陷轻量化检测算法

李大华^1,2,3，孔舒^1,2,3，李栋^1,2,3，于晓^1,2,3

（1.天津理工大学电气工程与自动化学院，天津 300384；2.天津市新能源电力变换传输与智能控制重点实验室，天津 300384；3.天津市复杂系统控制理论及应用重点实验室，天津 300384）

收稿日期:2023-08-15 出版日期:2024-03-15 发布日期:2024-04-19
通讯作者: 李栋（1985-），男，天津人，实验师，硕士，主要从事自动控制理论、智能制造等研究。E-mail：lid85@163.com
作者简介:李大华（1978-），男，天津人，教授，硕士，主要从事人工智能、智能微电网等研究。E-mail：lidah2005@163.com
基金资助:
国家自然科学基金项目（61502340）；天津市自然科学基金项目（18JCQNJC01000）；天津理工大学教学基金项目（YB20-05）；天津市复杂系统控制理论与应用重点实验室开放基金项目（TJKL-CATCS-201907）

Light Weight Detection Algorithm for Apple Surface Defect Based on Improved YOLOv7

LI Dahua^1,2,3，KONG Shu^1,2,3，LI Dong^1,2,3，YU Xiao^1,2,3

（1.College of Electrical and Electronic Engineering，Tianjin University of Technology，Tianjin 300384，China；2.Tianjin Key Laboratory of New Energy Power Conversion，Transmission and Intelligent Control，Tianjin 300384，China；3.Tianjin Key Laboratory for Control Theory ＆ Application in Complicated System，Tianjin 300384，China）

Received:2023-08-15 Published:2024-03-15 Online:2024-04-19

摘要/Abstract

摘要： 针对如何提高苹果表面缺陷的检测速度和精度，解决模型内存占比大的问题，提出一种基于改进YOLOv7的苹果表面缺陷轻量化检测算法。首先引入GhostNetV2作为YOLOv7网络的backbone，有效降低了模型复杂度，提高了检测速度。并引入SimAM无参注意力机制，以强化不同深度的特征信息。使用双向加权特征金字塔结构BiFPN进行加权特征融合，进一步提升苹果表面缺陷的检测精度。最后采用ECIOU损失函数来计算边界框损失，进一步提高模型收敛速度和整体性能。结果表明，改进YOLOv7模型在苹果表面缺陷检测上mAP@0.5较原YOLOv7网络提高2.0百分点，准确率和召回率也分别提升了1.7、3.9百分点，模型减小20.8 MB，速度提升36.43 帧/s。其综合性能也优于SSD、CenterNet等主流算法，可实现对苹果表面缺陷的快速准确诊断。

关键词: 苹果表面缺陷, YOLOv7, GhostNetV2, 注意力机制, BiFPN, ECIOU

Abstract: Aiming at how to improve the detection speed and accuracy of apple surface defects and solve the problem of large model memory ratio，a lightweight detection algorithm for apple surface defects based on improved YOLOv7 was proposed. Firstly，GhostNetV2 was introduced as the backbone of YOLOv7 network，which effectively reduced the model complexity and improved the detection speed.SimAM attention‐free mechanism was introduced to enhance the feature information of different depth.The bidirectional weighted feature pyramid BiFPN was used for weighted feature fusion to further improve the detection accuracy of apple surface defects.Finally，the ECIOU loss function was used to calculate the boundary frame loss，which further improved the convergence speed and the overall performance of the model.Experimental results showed that compared with the original YOLOv7 network，the improved model improved the apple surface defect detection mAP@0.5 by 2 percentage points，the accuracy rate and recall rate by 1.7 and 3.9 percentage points respectively. The model decreased by 20.8 MB and the speed increased by 36.43 FPS.Its comprehensive performance was also better than SSD，CenterNet and other mainstream algorithms，which can realize the rapid and accurate diagnosis of apple surface defects.

Key words: Apple surface defect, YOLOv7, GhostNetV2, Attention mechanism, BiFPN, ECIOU

中图分类号:

S126
TP391

李大华, 孔舒, 李栋, 于晓. 基于改进YOLOv7 的苹果表面缺陷轻量化检测算法[J]. 河南农业科学, 2024, 53(3): 141-150.

LI Dahua, KONG Shu, LI Dong, YU Xiao. Light Weight Detection Algorithm for Apple Surface Defect Based on Improved YOLOv7[J]. Journal of Henan Agricultural Sciences, 2024, 53(3): 141-150.

参考文献

［1］周雨帆.基于深度学习的苹果表面缺陷检测系统设计与实现［D］.石家庄：河北科技大学，2021.
ZHOU Y F.Design and implementation of apple surface defect detection system based on deep learning［D］.Shijiazhuang： Hebei University of Science and Technology，2021.
［2］李潘.基于深度学习的苹果表面缺陷检测研究［D］.阿拉尔：塔里木大学，2022.
LI P.Deep learning based apple surface defect detection research［D］.Aral：Tarim University，2022.
［3］王维，刘东琴，王佩.果品分级检测技术的研究现状及发展［J］.包装与食品机械，2016，34（6）：55‐58.
WANG W，LIU D Q，WANG P.Status and development of fruit detection of mechanical classification［J］.Packaging
and Food Machinery，2016，34（6）：55‐58.
［4］ZHANG W Z，HU J，ZHOU G X，et al.Detection of apple defects based on the FCM‐NPGA and a multivariate image analysis［J］.IEEE Access，2020，8：38833‐38845.
［5］HU G R，ZHANG E Y，ZHOU J G，et al.Infield apple detection and grading based on multi‐feature fusion［J］.Horticulturae，2021，7（9）：276.
［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.
LÜ Z W，WANG Y Q，SUN F Y.Identification and detection of wheat kernels with different volume weight based on improved U‐Net ［J］.Journal of Henan Agricultural Sciences，2023，52（10）：141‐152.
［7］杨文庆，刘天霞，唐兴萍，等.智慧农业背景下的植物表型组学研究进展［J］.河南农业科学，2022，51（7）：1‐12.
YANG W Q，LIU T X，TANG X P，et al.Research progress on plant phenomics in the context of smart agriculture［J］.Journal of Henan Agricultural Sciences，2022，51（7）：1‐12.
［8］JI Y H，ZHAO Q J，BI S H，et al.Apple grading method based on features of color and defect［C］//2018 37th Chinese Control Conference（CCC）.Wuhan，China：IEEE，2018：5364‐5368.
［9］王迎超，张婧婧，贾东霖，等.基于K-means聚类和改进MLP的苹果分级研究［J］.河南农业科学，2023，52（1）：161‐171.
WANG Y C，ZHANG J J，JIA D L，et al.Grading of apple based on K‐means clustering and improved MLP［J］.Journal of Henan Agricultural Sciences，2023，52（1）：161‐171.
［10］SUSTIKA R，SUBEKTI A，PARDEDE H，et al.Evaluation of deep convolutional neural network architectures for strawberry quality inspection［J］International Journal of Engineering & Technology，2018，7（4）：75‐80.

［11］李善军，胡定一，高淑敏，等.基于改进SSD的柑橘实时分类检测［J］.农业工程学报，2019，35（24）：307‐313.

LI S J，HU D Y，GAO S M，et al.Real‐time classification and detection of citrus based on improved single short multibox detecter［J］.Transactions of the Chinese Society of Agricultural Engineering，2019，35（24）：307‐313.

［12］刘敬宇，裴悦琨，常志远，等.基于改进YOLOX模型的樱桃缺陷及分级检测［J］.食品与机械，2023，39（1）：139‐145.

LIU J Y，PEI Y K，CHANG Z Y，et al.Cherry defect and classification detection based on improved YOLOX model［J］.Food & Machinery，2023，39（1）：139‐145.

［13］王川，赵恒滨，李国强，等.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 C，ZHAO H B，LI G Q，et al.Detection method of sesame capsules based on improved YOLOX model ［J］. Journal of Henan Agricultural Sciences，2022，51 （11）：155‐162.

［14］TANG Y H，HAN K，GUO J Y，et al. GhostNetV2：Enhance cheap operation with long‐range attention［J］.Advances in Neural Information Processing Systems，2022，35：9969‐9982.

［15］YANG L X，ZHANG R Y，LI L D，et al.SimAM：A simple，parameter‐free attention module for convolutional neural networks［C］∥Proceedings of the 38th International Conference on Machine Learning.New York：PMLR，2021：11863.
［16］TAN M X，PANG R M，LE Q V.EfficientDet：scalable and efficient object detection［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）.Seattle，WA，USA：IEEE，2020：10778‐10787.
［17］WANG H Q，SHANG S Q，WANG D W，et al.Plant disease detection and classification method based on the optimized lightweight YOLOv5 model［J］.Agriculture，2022，12（7）：931.
［18］ZHENG Z，WANG P，LIU W，et al.Distance‐IoU loss：Faster and better learning for bounding box regression［J］.Proceedings of the AAAI conference on artificial intelligence，2020，34（7）：12993‐13000.
［19］ZHANG Y F，REN W，ZHANG Z，et al. Focal and efficient IOU loss for accurate bounding box regression［J］.Neurocomputing，2022，506：146‐157.
［20］CHEN X L，LIAN Q W，CHEN X L，et al.Surface crack detection method for coal rock based on improved YOLOv5［J］.Applied Sciences，2022，12（19）：9695.

[1]	刘拥民, 张炜, 麻海志, 刘原, 张毅. 基于注意力机制的轻量化YOLO v5s 蓝莓检测算法[J]. 河南农业科学, 2024, 53(3): 151-157.
[2]	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.
[3]	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.
[4]	李伟豪, 詹炜, 周婉, 韩涛, 王佩文, 刘虎, 熊梦园, 孙泳, . 轻量型Yolov7-TSA 网络在茶叶病害检测识别中的研究与应用[J]. 河南农业科学, 2023, 52(5): 162-169.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.

基于改进YOLOv7 的苹果表面缺陷轻量化检测算法

Light Weight Detection Algorithm for Apple Surface Defect Based on Improved YOLOv7

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 9

编辑推荐

Metrics