您好，欢迎访问中国农业科学院 机构知识库！

全部

  • 全部
  • 标题
  • 学者
  • 机构
  • 关键词

基于YOLO v5-MNv4S与RANSAC-GN的柑橘姿态估计方法

文献类型： 中文期刊

作者： 李丽 1 ; 张官明 1 ; 张云峰 1 ; 梁继元 1 ; 淳长品 2 ;

作者机构： 1.西南大学工程技术学院

2.西南大学柑桔研究所

关键词： 柑橘采摘;目标检测;姿态估计;轻量化网络;点云处理;MobileNetV4

期刊名称： 农业机械学报

ISSN： 1000-1298

年卷期： 2025 年 56 卷 010 期

页码： 558-566

收录情况： EI ; 北大核心 ; CSCD

摘要： 为解决果园环境下的柑橘多变姿态估计问题，提高柑橘采收成功率，本文提出一种轻量化目标检测网络YOLO v5-MNv4S,与改进的随机采样一致性-高斯牛顿(Random sample consensus-Gauss Newton, RANSAC-GN)点云处理算法，根据柑橘生长及末端采摘流程定义柑橘姿态，构建了柑橘姿态实时估计系统。首先将YOLO v5s骨干网络优化为轻量化特征提取网络(MNv4-Conv-S),大幅降低训练参数，使最终输出网络权重轻量化，减少计算量，提高识别效率；其次添加CA注意力机制及替换损失函数为SIoU,解决了轻量化网络特征提取能力弱的问题。上述改进实现了YOLO v5-MNv4S网络轻量化与优于YOLO v5s的检测能力。D435i型相机采集图像后输入到YOLO v5-MNv4S获取目标边界框，使用针孔模型输出柑橘区域点云，分割出柑橘表面点云，结合本文改进的RANSAC-GN点云算法拟合出准确稳定的柑橘参数，融合果蒂空间坐标，最终输出待采摘柑橘空间姿态结果。消融试验及网络对比试验结果表明，轻量化的YOLO v5-MNv4S精度为93.1%,参数量仅为YOLO v5s的14.7%,对比YOLO v5s-Ghost以及YOLO v7、YOLO v8等网络，其在参数大幅缩减的同时，识别精度最佳。柑橘定位与姿态识别试验结果表明，采用RANSAC-GN的柑橘参数拟合误差为(0.18,0.19,0.44) mm,姿态估计误差为2.56°,姿态估计准确，真实果园环境下柑橘姿态估计结果与真实柑橘一致。该研究能满足果园环境下对柑橘姿态的识别，可为结构化柑橘果园机械采收设备提供技术支持。

  • 相关文献

[1]基于姿态估计的动物行为识别研究进展. 吴赛赛,吴建寨,程国栋,张楷,邢丽玮,韩书庆. 2023

[2]基于轮廓整形单元的原料肉3D可视化成像系统研究. 卜令平,高国伟,乔真,田惠鑫,胡敬芳,张春晖,胡小佳,艾鑫,李侠,魏文松. 2024

[3]基于区域亮度自适应校正的茶叶嫩芽检测模型. 吕军,方梦瑞,姚青,武传宇,贺盈磊,边磊,钟小玉. 2021

[4]基于机器视觉和深度学习的稻纵卷叶螟性诱智能监测系统. 张哲宇,孙果镓,杨保军,刘淑华,吕军,姚青,唐健. 2022

[5]基于AlexNet的栽培苜蓿病害识别. 李云昊,李仲贤,伏帅,张忠雪,茆士琴,冯琦胜,梁天刚,李彦忠. 2023

[6]基于改进YOLOv8s的大田甘蓝移栽状态检测算法. 吴小燕,郭威,朱轶萍,朱华吉,吴华瑞. 2024

[7]基于改进YOLO v5的复杂环境下柑橘目标精准检测与定位方法. 李丽,梁继元,张云峰,张官明,淳长品. 2024

[8]基于深度学习的半监督图像标注系统设计与实现. 胡明玉,夏雪,杨晨雪,曹景军,柴秀娟. 2021

[9]目标检测算法YOLOv5s用于柑桔成熟果实检测的改进. 蹇川,郑永强,刘艳梅,马岩岩,易时来,吕强,谢让金. 2024

[10]深度学习在蜜蜂研究中的应用. 孙逸飞,丁桂玲,路运才,刘振虎,黄家兴. 2023

[11]基于Mask R-CNN的玉米干旱卷曲叶片检测. 安江勇,黎万义,李茂松. 2019

[12]基于深度学习的近地面草原鼠洞识别计数关键问题研究与应用. 郭秀明,王大伟,刘升平,诸叶平,刘晓辉,林克剑,王佳宇,李非. 2024

[13]基于改进YOLOv5n模型的农作物病虫害识别方法. 承达瑜,赵伟,何伟德,武择鹏,王建东. 2024

[14]基于RT-WEDT的麦穗检测与计数方法. 李婕,杨子豪,郑权,乔江伟,涂静敏. 2024

[15]基于改进YOLOv8n的套袋柑橘识别. 王微子,马伟. 2025

作者其他论文 更多>>
置顶
购物车
反馈

© 京ICP备09089781号-29 主办单位：中国农业科学院

学术资源： 中国农业科学院 农业专业知识服务系统 农科联盟资源共建共享平台 中国农业科技文献与信息服务平台 中国农业期刊集成服务平台