基于改进YOLOV4网络模型的番茄果实检测

果实识别是视觉检测技术重要的环节,其识别精度易受复杂的生长环境及果实状态的影响.以大棚环境下单个、一簇、光照、阴影、遮挡、重叠6种复杂生长状态下的番茄果实为对象,提出一种基于改进YOLOv4网络模型与迁移学习相结合的番茄果实识别方法.首先利用ImageNet数据集与VGG网络模型前端16卷积层进行模型参数预训练,将训练的模型参数初始化改进模型的权值以代替原始的初始化操作,然后使用番茄数据集在VGG19的卷积层与YOLOV4的主干网络相结合的新模型中进行训练,获得最优权重实现对复杂环境下的番茄果实进行检测.最后,将改进模型与Faster RCNN、YOLOv4-Tiny、YOLOv4网络模型进行比较.研究结果表明,改进模型在6种复杂环境下番茄果实平均检测精度值mAP达到89.07％、92.82％、92.48％、93.39％、93.20％、93.11％,在成熟、半成熟、未成熟3种不同成熟度下的F1分数值为84％、77％、85％,其识别精度优于比较模型.本文方法实现了在6种复杂环境下有效地番茄果实检测识别,为番茄果实的智能采摘提供理论基础.