基于深度学习的草莓成熟度检测方法  

Study on strawberry maturity detection method based on deep learning

作　　者：鲍宜帆 张一丹 樊彩霞[2] 刘胜 Bao Yifan

机构地区：[1]南阳农业职业学院,河南南阳473000 [2]河南农业大学,河南郑州450046 [3]郑州大学电气与信息工程学院,河南郑州450001

出　　处：《江苏农业科学》2025年第5期89-94,共6页Jiangsu Agricultural Sciences

基　　金：国家自然科学基金(编号:62001423)。

摘　　要：针对草莓成熟度检测自动化和精确性低的问题,提出一种基于改进的YOLO v8模型的检测方法。首先,通过现场拍摄和网络爬虫技术建立涵盖多种成熟度状态的草莓数据集,为后续模型的训练和验证提供坚实的基础。其次,对YOLO v8模型进行多方面改进,引入DCN v3模块设计的DCN v3-backbone,以增强模型对不同成熟度草莓特征的提取能力。该模块能够动态调整卷积核的形状和位置,使得模型在处理具有复杂形变的草莓图像时表现更佳。同时,为优化边界框的精确定位,采用MDPIoU损失函数。与传统的损失函数相比,MDPIoU能够更好地处理目标边界框的定位问题,提高检测精度。在检测头部分,加入了EMA注意力机制,以进一步提升模型对关键特征的提取能力。EMA注意力机制通过动态调整权重,突出显示重要的图像区域,从而提高了模型的检测性能。通过在验证集上的测试,全面评估了改进模型的性能。结果显示,改进后的模型准确率为84.91%,召回率为82.75%,平均精度均值为87.47%,相比原模型分别提升3.34、8.43、3.55百分点,说明改进模型在草莓成熟度检测任务中具有很高的有效性和实用性。因此,该研究方法不仅为草莓成熟度的自动化检测提供了新的技术路径,也为其他农产品的相似应用提供了借鉴和扩展。

关 键 词：深度学习 草莓成熟度 YOLO v8 DCN v3 MDPIoU损失函数 EMA注意力机制 

分 类 号：S126[农业科学—农业基础科学] TP391.41[自动化与计算机技术—计算机应用技术]