高效的苹果成熟度与损伤评估：一种结合 GAN 与注意力机制的轻量检测模型
计算机视觉与模式识别
2023-10-17 v1
摘要
本研究提出一种基于轻量卷积神经网络（CNN）与生成对抗网络（GAN）的苹果成熟度与损伤等级检测方法。首先，通过优化模型深度与宽度并采用先进的模型压缩技术，设计了一个轻量 CNN 模型，成功降低了模型的参数量与计算需求，从而提升了实际应用的实时性。同时引入注意力机制，动态调节不同特征层的重要性，以改善目标检测任务中的性能。针对样本不平衡与样本量不足的问题，使用 GAN 生成逼真的苹果图像，扩充训练数据集，增强模型在面对不同成熟度与损伤等级苹果时的识别能力。此外，通过应用目标检测网络对受损苹果进行损伤位置标注，提升了损伤等级检测的准确度，为决策提供更精确的依据。实验结果表明，在苹果成熟度分级检测中，所提模型的精确率、召回率、准确率和 FPS 分别为 95.6%、93.8%、95.0% 和 56.5；在苹果损伤等级检测中，所提模型的精确率、召回率和 mAP 分别达到 95.3%、93.7% 和 94.5%。在两项任务中，所提方法均优于其他主流模型，展示了其在苹果成熟度与损伤等级检测任务中的优异性能与较高实用价值。
引用
@article{arxiv.2310.09347,
title = {Efficient Apple Maturity and Damage Assessment: A Lightweight Detection Model with GAN and Attention Mechanism},
author = {Yufei Liu and Manzhou Li and Qin Ma},
journal= {arXiv preprint arXiv:2310.09347},
year = {2023}
}