Damaged
apple detection with a hybrid YOLOv3 algorithm
| Meng Zhanga, Huazhao Lianga,
Zhongju Wanga, Long Wangb,*, Chao Huanga,
Xiong LuoaaSchool
of Computer and Communication Engineering, University of Science and Technology
Beijing, Beijing 100083, ChinabShunde
Innovation School, University of Science and Technology Beijing, Foshan 528399,
China |
https://doi.org/10.1016/j.inpa.2022.12.001
由于苹果及其相关产品具有很高的经济价值，世界各地都种植了苹果树。在苹果相关产业中，苹果在采摘、运输和储存等不同的过程中会受到各种各样的损害，包括磕碰、划伤和发霉。同时，细菌和霉菌会在苹果受损的部位迅速繁殖，甚至对其他苹果造成损害。因此，有效区分受损苹果和正常苹果具有重要意义和价值。传统的过滤破损苹果的方法高度依赖于人力，并且需要大量的时间来检查大量的苹果。因此，如何快速准确地自动识别受损苹果已成为一个需要解决的重要问题，特别是在智能农业中。
1.提出了一种改进的You Only Look Once (YOLOv3)算法；
2.引入了基于Rao-1算法的聚类方法来优化锚盒尺寸。
所提出方法的原理图如图1所示。如图1所示，本文提出的方法主要包括三个步骤:（1）收集苹果图像，手动绘制正常苹果和受损苹果的边界框。（2）基于训练数据集中的地面真值标签，采用基于Rao-1算法的聚类方法优化锚盒大小。（3）使用优化后的锚盒对YOLOv3模型进行训练，并基于测试数据集对模型进行测试。与其他基于区域生成网络的目标检测算法不同，YOLOv3使用整幅图像作为网络的输入，直接在卷积神经网络的输出层返回边界框的位置及其类别。YOLOv3采用残差网络结构和多尺度预测。网络结构如图2所示。它由骨干网络DarkNet-53、多尺度特征提取器和输出层组成。
图2 YOLOv3网络结构
改进的YOLOv3算法在真实苹果数据集上的mAP可以达到84.05%，该方法对正常苹果和受损苹果的平均精度分别比通用的YOLOv3算法提高了3.16%和6.9%，对受损苹果的检测效果得到了更明显的提高。此外，与经典的Fast R-CNN相比，正常苹果和受损苹果的检测精度也有所提高，mAP提高了1.25%。为了进一步评估所提方法的性能，示例检测结果如图3所示。
图3 两种模型检测结果的比较 (a)通用型YOLOv3检测结果；(b)改进型YOLOv3检测结果本文提出了一种基于改进YOLOv3算法的破损苹果检测方法。提出了一种基于Rao-1算法的聚类算法，用于YOLOv3模型锚盒的优化。利用从互联网上收集的真实苹果图像来验证所提出方法的性能。同时，以通用的YOLOv3算法和Fast R-CNN算法为基准，验证所提出的破损苹果检测方法的有效性和高效性。计算研究表明，该方法在最高mAP值方面优于基准测试算法。同时，该方法对正常苹果和受损苹果的检测精度都有较高的提高。因此，将提出的方法应用于智慧农业的实际应用是可行的。
引用格式：
Zhang, Meng, et al. Damaged apple detection
with a hybrid YOLOv3 algorithm. Information Processing in Agriculture, 2024, 11(2):
163-171.编辑：鲁娜
校对：鲁娜
审核：付学谦
日期：2024年6月25日
《农业信息处理(英文)》，创刊于2014年，由中国农业大学主办，李道亮教授主编，已被ESCI、EI、Scopus、DOAJ、中国科学引文数据库(CSCD)等数据库检索。2019年入选《中国科技期刊卓越行动计划》之高起点新刊项目，2020年入选中国农林核心期刊（A类）目录，2023年正式被ESCI(Emerging Sources Citation Index)收录，2023年度首个影响因子7.7，Q1区。《WJCI报告》学科排名位居全球TOP5%或学科排名TOP3，影响因子7.908。2023年Citescore为21.1，在林学领域排名第2，在水生科学领域排名第3，在农学作物科学领域排名第3，在动物科学与动物学领域排名第4，在计算机科学及应用领域排名第15。主要刊载最新信息技术在农业的应用，包括：农业物联网、农业人工智能和大数据、农业机器人、农业能源与控制、农业供应链与管理、空间信息技术、信息技术在现代农业工程的应用和其他农信息化技术。推文投稿：欢迎INPA作者/农业信息领域学者，撰写发表的/感兴趣的INPA论文公众号推文，一同打造INPA微信公众号精彩内容。纪尚一，s20233081809@cau.edu.cn鲁娜，B20233080715@cau.edu.cn
