基于优选YOLOv7模型的采摘机器人多姿态火龙果检测系统

为了检测复杂自然环境下多种生长姿态的火龙果,该研究基于优选YOLOv7模型提出一种多姿态火龙果检测方法,构建了能区分不同姿态火龙果的视觉系统.首先比较了不同模型的检测效果,并给出不同设备的建议模型.经测试,YOLOv7系列模型优于YOLOv4、YOLOv5 和YOLOX的同量级模型.适用于移动设备的YOLOv7-tiny模型的检测准确率为83.6％,召回率为79.9％,平均精度均值(mean average precision,mAP)为88.3％,正视角和侧视角火龙果的分类准确率为80.4％,推理一张图像仅需1.8 ms,与YOLOv3-tiny、YOLOv4-tiny和YOLOX-tiny相比准确率分别提高了16.8、4.3 和 4.8 个百分点,mAP分别提高了 7.3、21 和 3.9 个百分点,与EfficientDet、SSD、Faster-RCNN和CenterNet相比mAP分别提高了8.2、5.8、4.0和42.4个百分点.然后,该研究对不同光照条件下的火龙果进行检测,结果表明在强光、弱光、人工补光条件下均保持着较高的精度.最后将基于YOLOv7-tiny的火龙果检测模型部署到Jetson Xavier NX上并针对正视角火龙果进行了验证性采摘试验,结果表明检测系统的推理分类时间占完整采摘动作总时间的比例约为22.6％,正视角火龙果采摘成功率为90％,验证了基于优选YOLOv7的火龙果多姿态检测系统的性能.