科创中国
基于改进YOLOv7的复杂环境下的葡萄成熟度检测
成果类型：: 发明专利,新技术
发布时间: 2025-02-20 11:50:39
科技成果产业化落地方案
方案提交机构：成果发布人| 赵爱琴 | 2025-02-20 11:50:40
本项目提出了一种基于改进YOLOv7的高精度葡萄成熟度检测模型（YOLOv7MCA），用于复杂环境下的自动化果实分级。该研究在YOLOv7的基础上引入MobileNetV4作为骨干网络，提高计算效率并降低模型参数量，同时结合卷积块注意力模块（CBAM）增强特征提取能力，并采用自适应空间特征融合模块（ASFF）优化特征融合。实验结果表明，该模型在葡萄图像测试集上的检测精度达到95.2%，召回率87.2%，平均精度均值93.9%，平均检测时间仅为52.2ms，内存占用53.6MB，均优于现有主流目标检测模型（Faster R-CNN、YOLOv5、YOLOv8等）。该成果不仅提高了葡萄成熟度检测的准确性，还能减少果农人工采摘误差，提高采摘效率，为智能农业及自动化采摘机器人提供了关键技术支持。
1. 轻量化深度学习架构：引入MobileNetV4作为骨干网络，减少计算量并提高模型推理速度，适用于嵌入式设备或无人机部署。
2. 注意力机制优化：结合CBAM模块，通过通道和空间注意力增强特征提取，提高对葡萄不同成熟度类别的区分能力，减少误检与漏检。
3. 多尺度特征融合：采用ASFF模块，使模型能够适应不同尺度的目标检测，尤其适用于葡萄果实大小不一、密集分布的情况。
4. 高精度、低延迟：相比于传统的FasterR-CNN、SSD等模型，YOLOv7MCA在检测精度、计算成本和速度上均有提升，支持实时检测需求。
5. 适应复杂环境：能够在晴天、阴天、雨天、遮挡、逆光等不同环境下稳定识别葡萄的成熟度，提高自动化采摘的适应性。
该技术可广泛应用于智能农业、自动化采摘和食品分级等领域：
1. 智能果园管理：结合无人机或智能摄像头，实现大规模葡萄园的自动成熟度监测，提高采摘效率，优化种植管理策略。
2. 自动化采摘机器人：集成该模型的智能机械手，可在最佳成熟度时进行采摘，降低人工采摘成本，减少果实浪费。
3. 智能分选系统：在葡萄采摘后，可用于分级筛选，提高供应链效率，确保市场销售果实的质量一致性。
4. 智能温室与精准农业：结合IoT传感器数据，实现葡萄种植全生命周期的数据监测，提高农业生产效率。
石河子大信息科学与技术学院人工智能实验室。
1. 经济效益：
该技术可帮助果农提高葡萄采摘的准确性，减少因误采或漏采造成的经济损失。
结合自动化采摘设备，该技术可减少人工成本，提高采摘效率。
2. 社会效益：
促进智慧农业发展，提高农业生产智能化水平。
降低农业劳动力依赖，缓解农村劳动力短缺问题。
通过精准采摘，减少果实浪费，提高农业资源利用率。
3. 科技效益：
提高国产计算机视觉技术在农业领域的应用水平。
为后续智能果园、智能温室等相关技术研究提供基础数据与算法支撑。
技术合作：与农业科研机构、无人机企业合作，推广智能化果园监测方案。
下载app