基于 TC-YOLO 模型的非结构化环境下茶菊检测
计算机视觉与模式识别
2021-11-05 v1 人工智能
摘要
开花期的茶菊检测是开发选择性菊花采摘机器人的关键环节之一。然而，由于光照、遮挡和目标尺度的变化，在非结构化田间环境中检测开花菊花是一项挑战。在此背景下，我们提出了一种基于 YOLO 的高度融合的轻量级深度学习架构，用于茶菊检测（TC-YOLO）。首先，在主干组件和颈部组件中，该方法采用跨阶段部分密集网络（CSPDenseNet）作为主网络，并嵌入自定义特征融合模块以引导梯度流。在最终的头组件中，该方法将递归特征金字塔（RFP）多尺度融合回流结构与带空洞卷积的空洞空间金字塔池化（ASPP）模块相结合以实现检测任务。所得模型在300张田间图像上进行了测试，结果表明，在 NVIDIA Tesla P100 GPU 环境下，若每张图像（416 * 416）的推理速度为47.23 FPS，TC-YOLO 在我们自建的茶菊数据集上可达到92.49%的平均精度（AP）。此外，该方法（13.6M）可部署在单个移动 GPU 上，未来可进一步开发为选择性菊花采摘机器人的感知系统。
引用
@article{arxiv.2111.02724,
title = {Tea Chrysanthemum Detection under Unstructured Environments Using the TC-YOLO Model},
author = {Chao Qi and Junfeng Gao and Simon Pearson and Helen Harman and Kunjie Chen and Lei Shu},
journal= {arXiv preprint arXiv:2111.02724},
year = {2021}
}