面向采摘机器人的改进YOLOv3-tiny轻量化柑橘识别方法

针对柑橘采摘机器人快速、准确的识别需求,提出了一种基于改进的YOLOv3-tiny的轻量化卷积神经网络模型的柑橘识别方法.为便于在算力有限的采摘机器人上应用,该方法用DIOU(distance intersection over union)损失函数替换了YOLOv3-tiny卷积神经网络模型原有的损失函数,提高模型的识别定位精度;采用MobileNetv3-Small卷积神经网络模型替换了主干特征提取网络,使模型更加轻量化,提高模型的识别速度;在MobileNetv3-Small中加入了新的残差结构,减少主干网络特征信息的损失,进而提高模型的识别精度;在加强特征提取网络中加入了简化的空间金字塔池化(spatial pyramid pooling,SPP)网络结构和深度可分离卷积层集,提升模型提取特征信息的能力,再加入一个下采样层,将两个尺度间的特征信息充分融合,同时还加入了hard Swish激活函数,从而进一步提高模型的识别精度.通过与YOLOv3-tiny在柑橘测试集上的识别效果进行对比,改进的YOLOv3-tiny的平均识别精度mAP、F1分别达到了96.52％、0.92,提高了3.24％、0.03,平均识别单幅图像所耗时间、模型权重大小仅为47 ms、16.9 MB,分别减少了24％、49％.通过与YOLOv3-tiny在针对柑橘测试集中处于不同环境条件下的柑橘的识别效果进行对比,改进的YOLOv3-tiny在光照充足且未遮挡条件下、光照充足且遮挡条件下、光照不足且未遮挡条件下、光照不足且遮挡条件下的柑橘正确识别率分别为98.6％、90.5％、95.8％、86.8％,分别提高了0.7％、6.5％、3.2％、7.7％.显示出改进YOLOv3-tiny轻量化柑橘识别方法具有识别精度高、识别速度快以及轻量化等特点.