基于 YOLOv7 剪枝和信息驱动跟踪算法的草莓检测与计数
计算机视觉与模式识别
2024-07-18 v1
摘要
草莓产业为佛罗里达带来巨大的经济效益，但监测草莓生长和产量的过程仍然昂贵且依赖人力。机器学习驱动的检测与跟踪方法已用于辅助草莓产量的自动化监测与预测，但提升仍受限，因为以往研究仅针对花粒和果实进行深度学习检测，未考虑机器视觉系统收集的数据集的独特特征。本研究提出了一种针对深度学习模型（YOLOv7 及其变体）检测头的最优剪枝方案，可实现草莓花、未成熟果实和成熟果实的快速精准检测。随后，提出了增强型目标跟踪算法，称为信息驱动跟踪算法（IBTA），利用最佳检测结果，移除卡尔曼滤波器，并整合移动方向、速度和空间信息，以提高草莓花和果实跟踪的精度。所提出的检测头剪枝方案，其中包括基于检测头 3 的 Pruning-YOLOv7-tiny 以及基于检测头 2 和 3 的 Pruning-YOLOv7-tiny，分别实现了最佳的推理速度（163.9 帧/秒）和检测精度（89.1%）。另一方面，通过与基于质心的跟踪算法（CTA）进行比较，IBTA 的 MOTA 和 MOTP 分别提高了 12.3% 和 6.0%，因此。此外，其他目标跟踪评估指标，包括 IDF1、IDR、IDP、MT 和 IDs，均显示 IBTA 在草莓花和果实跟踪中优于 CTA。
引用
@article{arxiv.2407.12614,
title = {Strawberry detection and counting based on YOLOv7 pruning and information based tracking algorithm},
author = {Shiyu Liu and Congliang Zhou and Won Suk Lee},
journal= {arXiv preprint arXiv:2407.12614},
year = {2024}
}