代國(guó)威樊景超胡林

(1. 中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所/國(guó)家農(nóng)業(yè)科學(xué)數(shù)據(jù)中心，北京 100081；2. 中國(guó)農(nóng)業(yè)科學(xué)院國(guó)家南繁研究院，海南 三亞 572024)

番茄是世界上廣泛種植的園藝作物，2020年全球產(chǎn)量約為1.87 億噸[1]。中國(guó)作為番茄全球產(chǎn)量的第一貢獻(xiàn)者，溫室種植番茄因高產(chǎn)和可全年穩(wěn)定供應(yīng)的優(yōu)勢(shì)在過(guò)去的幾十年里迅速且廣泛發(fā)展。傳統(tǒng)番茄采摘依靠人工，不僅效率低，而且人工成本占比超過(guò)生產(chǎn)利潤(rùn)的44.5%[2]；此外，人口老齡化趨勢(shì)導(dǎo)致番茄采摘作業(yè)越來(lái)越缺乏勞動(dòng)力[3]。隨著人工智能技術(shù)在農(nóng)業(yè)和食品研究領(lǐng)域的應(yīng)用和推廣，農(nóng)業(yè)采摘機(jī)器人[4]的研發(fā)及應(yīng)用為上述問(wèn)題提供了有效的解決方案，不僅可以降低人工成本，而且采摘機(jī)器人能適應(yīng)高強(qiáng)度作業(yè)，大大提高采摘效率。

采摘機(jī)器人設(shè)計(jì)的難點(diǎn)在于識(shí)別和檢測(cè)番茄目標(biāo)，而識(shí)別和檢測(cè)的準(zhǔn)確性關(guān)系到采摘機(jī)器人的工作效率，因此，快速準(zhǔn)確地檢測(cè)成熟西紅柿是用自動(dòng)化系統(tǒng)取代人工勞作的一項(xiàng)重要任務(wù)。目前，基于計(jì)算機(jī)視覺(jué)進(jìn)行番茄缺陷或等級(jí)檢測(cè)的方法主要有兩類，即基于手工特征的方法和使用深度學(xué)習(xí)特征的方法。手工特征具有局部性和簡(jiǎn)單性的優(yōu)點(diǎn)，但由于需要根據(jù)經(jīng)驗(yàn)選擇合適的特征，因此在變化的環(huán)境中可能缺乏提取特征的語(yǔ)義和判別能力[5–7]。如馮俊惠等[8]提出一種改進(jìn)Hough 圓變換算法的番茄識(shí)別方法，該算法基于顏色信息對(duì)背景進(jìn)行分割，并利用Sobel 算子提取輪廓信息，最后通過(guò)改進(jìn)Hough 圓變換算法用于成熟番茄識(shí)別；為了對(duì)多個(gè)重疊粘連的番茄進(jìn)行定位識(shí)別，李寒等[9]利用K－means 對(duì)SOM 算法進(jìn)行優(yōu)化，通過(guò)提取果實(shí)輪廓點(diǎn)的平面和深度信息進(jìn)行三維聚類，將得到的點(diǎn)云聚類結(jié)果轉(zhuǎn)換為世界坐標(biāo)系，并擬合得到各個(gè)番茄的位置與形狀；設(shè)施番茄種植密度大，采集圖像中番茄果實(shí)相互粘連的現(xiàn)象更為嚴(yán)重，針對(duì)此情況，伍萍輝等[10]提出一種改進(jìn)的群體智能優(yōu)化算法，利用擾動(dòng)因子改進(jìn)灰狼算法與K 均值聚類算法用于果實(shí)分割，并在此基礎(chǔ)上將形態(tài)學(xué)算法和多尺度Hough 算法相結(jié)合，實(shí)現(xiàn)了對(duì)強(qiáng)粘連番茄果實(shí)的識(shí)別定位。雖然此類方法已取得了較好的識(shí)別效果，但面對(duì)復(fù)雜多變的溫室環(huán)境仍是一項(xiàng)相當(dāng)大的挑戰(zhàn)，此外，確定分類所需的特征提取器和分類器的最佳組合也非常耗時(shí)。相比之下，深度學(xué)習(xí)模型不需要耗時(shí)尋找特征提取器和分類器的最佳組合，而且能在復(fù)雜環(huán)境下提取深層次特征，準(zhǔn)確性更高[11–15]。例如成偉[16]、Lawal[17]、Wang[18]與Lawal[19]等提出了改進(jìn)YOLOv3 實(shí)現(xiàn)復(fù)雜環(huán)境條件下溫室番茄的檢測(cè)；Seo 等[20]利用K－means聚類算法將番茄果實(shí)區(qū)域與背景區(qū)域分割，在HSV 顏色模型下通過(guò)Faster R－CNN 檢測(cè)水培條件下生長(zhǎng)的番茄；李天華等[21]提出一種基于YOLOv4 與HSV 相結(jié)合的番茄識(shí)別方法，能夠解決果實(shí)粘連及藤曼、葉片或光照影響而引起的識(shí)別錯(cuò)誤問(wèn)題，并利用HSV 顏色特征處理實(shí)現(xiàn)番茄果實(shí)紅色部分的分割，通過(guò)對(duì)檢測(cè)框內(nèi)分割部分的面積計(jì)算，提高識(shí)別的準(zhǔn)確性；何斌等[22]提出一種適合日光溫室夜間環(huán)境的改進(jìn)YOLOv5 番茄識(shí)別方法，通過(guò)對(duì)自適應(yīng)框的重計(jì)算與改進(jìn)CIOU目標(biāo)損失函數(shù)實(shí)現(xiàn)暗光特征下的番茄果實(shí)識(shí)別。為實(shí)現(xiàn)不同成熟度番茄自動(dòng)分揀，Ko 等[23]利用多流卷積神經(jīng)網(wǎng)絡(luò)(ConvNet)及其隨機(jī)決策融合(SDF)方法檢測(cè)番茄成熟度，將檢測(cè)過(guò)程分為初始成熟度檢測(cè)階段和隨機(jī)決策融合階段，從而獲得更精確的成熟度分類結(jié)果。

然而現(xiàn)有研究缺乏溫室復(fù)雜環(huán)境下針對(duì)遠(yuǎn)近距離產(chǎn)生的小目標(biāo)番茄、果實(shí)本身較小及被重疊遮擋番茄的檢測(cè)。因此， 本研究采用改進(jìn)YOLOv5 目標(biāo)檢測(cè)算法，提出一種通過(guò)注意力機(jī)制與八度卷積提高復(fù)雜環(huán)境條件下溫室番茄檢測(cè)準(zhǔn)確性的方法——OctaveC－YOLOv5，并引入天氣增強(qiáng)技術(shù)，從而有效抵抗環(huán)境干擾，克服由果實(shí)重疊、樹(shù)枝遮擋、光照不均等引起的識(shí)別精度、時(shí)效性和魯棒性較差的問(wèn)題，捕捉到充足的目標(biāo)信息，并能端對(duì)端完成定位和檢測(cè)任務(wù)，有望在智能采摘機(jī)器人上應(yīng)用。

1 OctaveC－YOLOv5 模型的構(gòu)建及性能評(píng)價(jià)方法

1.1 YOLOv5 架構(gòu)

YOLO 架構(gòu)系列的最新產(chǎn)品是YOLOv5[24]模型，該模型識(shí)別準(zhǔn)確率高，推理速度快，最快的識(shí)別速度為每秒140 幀，且目標(biāo)檢測(cè)網(wǎng)絡(luò)的權(quán)重文件較小，比YOLOv4 縮小了近90%，適合部署到嵌入式設(shè)備上， 實(shí)現(xiàn)即時(shí)檢測(cè)。本研究使用YOLOv5s 模型，大小為14 mb，推斷時(shí)間為2.2 ms，網(wǎng)絡(luò)架構(gòu)如圖1 所示，主要由Backbone、Neck和Head 組成。

Backbone 結(jié)構(gòu)是一個(gè)卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)，它結(jié)合不同的細(xì)粒度圖像并形成圖像特征。其中，Conv 模塊為貫穿架構(gòu)的基本卷積單元，對(duì)輸入依次進(jìn)行二維卷積、二維正則化、SiLU 激活操作(圖1a)。C3 模塊作為提取特征的主要結(jié)構(gòu)，由3 個(gè)Conv 與1 個(gè)Bottleneck 組成(圖1b)，組成的結(jié)構(gòu)依次添加到計(jì)算圖，通過(guò)解決大規(guī)模重復(fù)梯度信息的問(wèn)題，將梯度變化整合于特征圖中，減少模型每秒浮點(diǎn)運(yùn)算(floating point operations，F(xiàn)LOPs)和參數(shù)，縮小模型大小，并且保證推理的準(zhǔn)確性和速度。Concat模塊用于連接不同維度的特征圖；Upsample 模塊用于特征圖上采樣。空間金字塔模塊(spatial pyramid pooling， SPP)位于Backbone 的第9 層，旨在通過(guò)將任何尺寸的特征圖轉(zhuǎn)化為固定尺寸的特征向量來(lái)增加網(wǎng)絡(luò)的感受野。

圖1 YOLOv5 網(wǎng)絡(luò)架構(gòu)

Neck 結(jié)構(gòu)通過(guò)流水線增加信息的流動(dòng)性。低層特征可以通過(guò)添加特征金字塔網(wǎng)絡(luò)(FPN)進(jìn)行有效傳播，具有自下而上的路徑增強(qiáng)特性；同樣，可以通過(guò)添加路徑聚合網(wǎng)絡(luò)(PAN)將高層特征向下傳遞，實(shí)現(xiàn)特征融合。特征金字塔、路徑聚合網(wǎng)絡(luò)和所有其他特征通過(guò)自適應(yīng)池連接在一起，使每個(gè)特征層的有用信息都能被利用。該網(wǎng)絡(luò)從所有層決定哪些特征是有效的，通過(guò)使用高層的正確定位信號(hào)與低層的強(qiáng)語(yǔ)義特征來(lái)提高物體定位的準(zhǔn)確性。

Head 結(jié)構(gòu)的檢測(cè)網(wǎng)絡(luò)包括3 個(gè)檢測(cè)層，每個(gè)檢測(cè)層分別輸入一個(gè)尺寸為80×80、40×40 和20×20 的像素特征圖，用于檢測(cè)各種尺寸的圖像對(duì)象。本研究有2 個(gè)檢測(cè)對(duì)象，所以每個(gè)檢測(cè)層輸出一個(gè)21 通道的向量，包括2 個(gè)類別、1 個(gè)置信度、4 個(gè)邊界框坐標(biāo)和3 個(gè)錨框[(2＋1＋4)×3]，用于生成并標(biāo)記原始圖像中目標(biāo)的預(yù)測(cè)邊界框和類別，從而實(shí)現(xiàn)對(duì)圖像目標(biāo)的檢測(cè)。

1.2 八度卷積(octave convolution)

對(duì)于數(shù)字圖像而言，信息以不同的頻率傳遞，其中高頻部分包含了大量的細(xì)節(jié)信息，如圖像的邊緣、輪廓與噪聲信號(hào)等，而低頻部分則反映了圖像的全局結(jié)構(gòu)編碼，如物體的整體形象、背景等，決定性信息較少(圖2)。普通卷積處理數(shù)字圖像的任務(wù)就是捕捉全局布局的粗結(jié)構(gòu)低頻信號(hào)和捕捉精細(xì)細(xì)節(jié)的高頻信號(hào)，然而其輸入輸出特征具有一致的空間分辨率，這會(huì)導(dǎo)致捕獲的空間低頻信息包含空間中的冗余信息?；诖?，Chen等[25]引入八度(octave)特征表示，建議在經(jīng)典的CNN 中使用八度卷積而不是卷積層，從而顯式地將特征映射張量分解為對(duì)應(yīng)的低頻組和高頻組。由圖3 可見(jiàn)，八度卷積的輸入特征圖由高頻XH和低頻XL兩部分組成，分別以YH和YL兩種方式輸出。輸出的高頻和低頻特征圖分別由YH＝Y(jié)H→H＋YL→H和YL＝Y(jié)L→L＋YH→L傳遞，即將低頻特征圖上采樣到高頻特征圖，并與低頻特征圖進(jìn)行分組；同樣，將高頻特征圖下采樣為低頻張量，并與高頻特征圖進(jìn)行分組。

圖2 數(shù)字圖像(a)及其低頻部分(b)與高頻部分(c)

圖3 八度卷積結(jié)構(gòu)

另外，為了進(jìn)行卷積運(yùn)算，八度卷積將卷積核W 分成WH和WL兩組，分別對(duì)輸入XH和XL進(jìn)行卷積。WH和WL也由兩部分組成WH＝[WL→H，WH→H]，WL＝[WH→L，WL→L]并保證XL→H和XH→H(XH→L和XL→L)可以進(jìn)行不同的卷積。值得一提的是，YX→H表示卷積從特征圖組X 到組Y 的更新，如YL→L和YH→H表示同頻更新，而YL→H和YH→L表示不同頻間的通信。其中，頻間信息的更新，八度卷積使用高低頻特征分別進(jìn)行升/降采樣，將特征張量XL上采樣與XH池化下采樣折疊到卷積中消除計(jì)算和存儲(chǔ)，以實(shí)現(xiàn)不同頻率間信息的交互；而同頻信息的更新，則更注重于使用常規(guī)卷積對(duì)高頻特征進(jìn)行更新。因此，與普通卷積相比，通過(guò)八度卷積壓縮低頻分辨率能有效地將感受野擴(kuò)大2 倍，可以幫助每個(gè)八度卷積層捕獲更多的長(zhǎng)距離上下文信息，從而提高識(shí)別性能。

1.3 注意力機(jī)制(CBAM)模塊

深度學(xué)習(xí)中的注意力機(jī)制允許在解決特定任務(wù)時(shí)只關(guān)注圖像的一部分而不是整個(gè)區(qū)域，從而突出有利于分類的特征，抑制不需要的噪聲。空間注意力模塊(spatial attention module，SAM)和通道注意力模塊(channel attention module，CAM)是前饋神經(jīng)網(wǎng)絡(luò)(feed forward neural network)[26]的兩個(gè)有效注意力模塊，其中，空間注意力模塊在特征圖中探測(cè)目標(biāo)位置時(shí)表現(xiàn)突出，通道注意力模塊在尋找目標(biāo)時(shí)表現(xiàn)突出。大量實(shí)驗(yàn)證明，先使用通道注意力模塊，再使用空間注意力模塊，對(duì)于網(wǎng)絡(luò)學(xué)習(xí)效果最好[27]。

CBAM(convolutional block attention module)是一種典型的注意力機(jī)制結(jié)構(gòu)，包含CAM 和SAM 模塊。對(duì)于CAM 模塊，以一個(gè)假設(shè)的中間特征圖f′∈Rw×h×c(h 為每個(gè)通道的高度；w 為每個(gè)通道的寬度，即通道的權(quán)重；c 為每層通道的數(shù)量)作為輸入，對(duì)其并行進(jìn)行平均和最大池化，然后利用多層感知器對(duì)這兩個(gè)通道進(jìn)行Sigmoid 激活函數(shù)操作，得到CAM 特征圖。式(1)即顯示了CAM模塊的計(jì)算過(guò)程，其中δ 為Sigmoid 激活函數(shù)，MLP為多層感知器，AvgPool(f′)與MaxPool(f′)分別表示特征圖的平均和最大池化。同樣，對(duì)于SAM 模塊，給定一個(gè)中間特征映射f′作為輸入，采用并行平均和最大池化的方法進(jìn)行降維，得到2 個(gè)特征，根據(jù)通道維數(shù)將其拼接起來(lái)，形成一個(gè)二維特征，然后對(duì)二維特征進(jìn)行卷積，以保證最終特征在空間維度上與原始輸入特征相兼容，接著通過(guò)Sigmoid 函數(shù)生成SAM 特征圖，最后乘以模塊的輸入，得到最終生成的特征圖。具體過(guò)程如式(2)所示，其中，fn×n表示卷積運(yùn)算，卷積核的大小為n×n，CAM 和SAM 模塊的中間特征圖f′可以用式(3)、式(4)表示，式中?為點(diǎn)積。

1.4 OctaveC－YOLOv5 番茄檢測(cè)模型

雖然YOLOv5 可直接用于番茄目標(biāo)檢測(cè)，但在復(fù)雜的溫室場(chǎng)景中，一是由于番茄品種繁多、背景復(fù)雜、植株間距較小，相同生長(zhǎng)周期大小不一的番茄果實(shí)容易相互遮擋，造成誤檢；二是較遠(yuǎn)距離的番茄在視覺(jué)上表現(xiàn)較小，在圖像層面表征為未成熟的小番茄，雖與圖像上作為主體的較大或成熟的番茄紋理特征相似，但檢測(cè)時(shí)往往因與背景難以區(qū)分而易造成漏檢，不利于溫室場(chǎng)景下的番茄檢測(cè)。為此，本研究提出了一種高檢測(cè)精度的OctaveC－YOLOv5 番茄檢測(cè)算法，模型結(jié)構(gòu)如圖4所示，主要從以下方面進(jìn)行了改進(jìn):①使用八度卷積替換Conv 模塊中的Conv2d，然后利用Conv 作為基本卷積單元的特性，使YOLOv5 中涉及Conv的所有模塊間接替換了八度卷積，完成了整個(gè)網(wǎng)絡(luò)的卷積替換。②Backbone 結(jié)構(gòu)提取的特征在4、6、9 層輸出，第9 層輸出的特征被輸入到CBAM模塊中，從而使網(wǎng)絡(luò)能夠從復(fù)雜的背景顏色中提取更可區(qū)分的特征表示。③通過(guò)特征融合達(dá)到減少信息丟失的目的，然后將特征輸出到Neck 結(jié)構(gòu)，使用FPN＋PAN 組合來(lái)處理特征。④Head 結(jié)構(gòu)輸出的三個(gè)不同維度的特征映射能夠攜帶更多的紋理特征和缺陷區(qū)域的語(yǔ)義特征。⑤使用CIoU[28]作為邊界框損失函數(shù)，并采用非極大值抑制(non－maximum suppression，NMS)使其分類和定位更加準(zhǔn)確，提高了檢測(cè)精度。本研究提出的OctaveC－YOLOv5 繼承了YOLOv5 所有特點(diǎn)，并增加了壓縮低頻分辨率以增大感受野與注意力機(jī)制的功能性質(zhì)。

圖4 OctaveC－YOLOv5 算法網(wǎng)絡(luò)結(jié)構(gòu)

1.5 天氣增強(qiáng)(weather augmentation)

使用Python 中Albumentations 庫(kù)[29]的圖像數(shù)據(jù)增強(qiáng)方法對(duì)訓(xùn)練集應(yīng)用不同的數(shù)據(jù)增強(qiáng)技術(shù)，以克服過(guò)擬合問(wèn)題，并增強(qiáng)數(shù)據(jù)集的多樣性。本研究采用多種天氣增強(qiáng)技術(shù)組合來(lái)模擬不同天氣與溫室設(shè)施引起的環(huán)境變化對(duì)圖像的影響，如圖5 所示。

使用雨滴變換(RandomRain)為圖像隨機(jī)添加雨滴，雨滴大小為1.0、類型為drizzle，并設(shè)置0.6的陰天參數(shù)(Brightness＿coefficient)，以模擬溫室噴淋降溫作業(yè)對(duì)圖像采集的影響(圖5b)。

由于溫室內(nèi)外溫差和室內(nèi)濕度較大以及霧化系統(tǒng)噴霧作業(yè)，會(huì)使溫室內(nèi)產(chǎn)生霧氣，影響采集圖像的清晰度，因此，可使用霧氣變換(Randomfog)，選擇0.1～0.6 的霧氣強(qiáng)度(fog＿coef)與霧圈透明度(Alpha＿coef)為0.1 的參數(shù)值，隨機(jī)地向圖像不同位置添加霧氣，并使背景模糊(圖5c)。

植物的生命活動(dòng)與光照密不可分，本研究以圖像的左上角(0.0， 0.0， 1.0， 0.5)與右上角(0.9， 0， 1.0， 0.5)作為光照的來(lái)源，選擇太陽(yáng)光照變換(RandomSunFlare)對(duì)溫室光照條件下采集的圖像進(jìn)行模擬，出現(xiàn)太陽(yáng)耀斑的圖像區(qū)域(Flare＿roi)由四個(gè)參數(shù)決定(x＿min、y＿min、x＿max、y＿max)，x＿min 與y＿min 表示起始坐標(biāo)，x＿max 與y＿max 表示結(jié)束坐標(biāo)(圖5d)。

番茄果實(shí)生長(zhǎng)于葉下，而溫室番茄的株距較小，采集的圖像易受葉片陰影的影響，可通過(guò)陰影變換(RandomShadow)在一定程度上消除這種影響。本研究就陰影圖像(Shadow＿roi)的出現(xiàn)區(qū)域進(jìn)行隨機(jī)化，陰影數(shù)量在1～5 浮動(dòng)，陰影多邊形的形狀邊參數(shù)設(shè)置為4(圖5e)。

圖5 原圖與使用天氣增強(qiáng)后圖像對(duì)比示例

1.6 試驗(yàn)數(shù)據(jù)集

本研究選用農(nóng)業(yè)場(chǎng)景視覺(jué)解析任務(wù)番茄數(shù)據(jù)集(https:/ /www.agridata.cn/)中現(xiàn)場(chǎng)采集部分的數(shù)據(jù)，包含原始圖像以及處理后可直接用于目標(biāo)檢測(cè)、語(yǔ)義分割與實(shí)例分割的數(shù)據(jù)標(biāo)簽。圖像采自江蘇省農(nóng)業(yè)科學(xué)院番茄生產(chǎn)智能溫室，單目圖像的分辨率為1600×1200 像素，雙目圖像的分辨率為1280×720 像素。提取目標(biāo)檢測(cè)標(biāo)簽與對(duì)應(yīng)的原始圖像建立VOC格式的數(shù)據(jù)集，將數(shù)據(jù)集中帶有標(biāo)注的100 張單目圖像和100 張雙目左邊圖像全部用于TBD－1 數(shù)據(jù)集構(gòu)建，并按8∶2 劃分訓(xùn)練集與驗(yàn)證測(cè)試集，然后使用OctaveC－YOLOv5 與YOLOv5s 模型從零開(kāi)始訓(xùn)練和測(cè)試，結(jié)果如表1 所示，可見(jiàn)兩種模型的表現(xiàn)都較差，雖然本研究提出的模型相對(duì)于YOLOv5s 取得了一定的進(jìn)步，但離實(shí)際生產(chǎn)中農(nóng)業(yè)機(jī)器人高精準(zhǔn)采摘的要求還有較大差距。

表1 OctaveC－YOLOv5 與YOLOv5s 模型在TBD－1 數(shù)據(jù)集的試驗(yàn)結(jié)果

為此，將現(xiàn)場(chǎng)采集部分未標(biāo)注的650 張單目圖像與300 張雙目圖像使用LabelMe 工具標(biāo)注為XML 格式，標(biāo)簽類別與原數(shù)據(jù)集標(biāo)注一致，分為成熟番茄與未成熟番茄(可采摘番茄與不可采摘番茄)，標(biāo)注過(guò)程如圖6 所示。最終，將新標(biāo)注的950 張圖像與原帶標(biāo)注的TBD－1 數(shù)據(jù)集的200張圖像共同組成TBD－2 數(shù)據(jù)集，然后按80%、10%、10%的比例隨機(jī)劃分出訓(xùn)練集、驗(yàn)證集、測(cè)試集，分別為920、115、115 張圖像，并在訓(xùn)練集執(zhí)行不同組合的天氣增強(qiáng)技術(shù)。

圖6 LabelMe 標(biāo)注番茄示例

1.7 試驗(yàn)環(huán)境

操作平臺(tái)為Nettrix X640 G30 AI 服務(wù)器，操作系統(tǒng)環(huán)境為Ubuntu 20.04，CPU 為2 塊Intel(R) Xeon(R) Gold 6226R CPU ＠ 2.90GHz，GPU為2 臺(tái)NVIDIA GeForce RTX 3090、256G 內(nèi)存，5個(gè)7.5T 固態(tài)驅(qū)動(dòng)器。訓(xùn)練環(huán)境由Anaconda3 創(chuàng)建，環(huán)境配置為Python 3.9.5、PyTorch 1.9.1 與Torch Vision 0.10.1 人工神經(jīng)網(wǎng)絡(luò)庫(kù)。同時(shí)，采用CUDA 11.3 GPU 運(yùn)算平臺(tái)及cuDNN 11.3 深度神經(jīng)網(wǎng)絡(luò)加速庫(kù)。

訓(xùn)練參數(shù)設(shè)置:采用OctaveC－YOLOv5 為訓(xùn)練模型，使用損失函數(shù)BCEWithLogitLoss 處理樣本不均衡，并由SmoothBCE[30]與QFocalLoss[31]防止模型過(guò)擬合，優(yōu)化器使用SGD，輸入圖像尺寸為640×640 像素，批量大小為32，學(xué)習(xí)率初始化為0.01，最終為0.0032，動(dòng)量參數(shù)為0.925，重量衰減設(shè)置為0.00056，并使用預(yù)熱參數(shù)5.0 保證模型起始訓(xùn)練時(shí)對(duì)數(shù)據(jù)具有一定的先驗(yàn)知識(shí)，其他參數(shù)保持默認(rèn)。模型訓(xùn)練的收斂速度與具體數(shù)據(jù)集相關(guān)，當(dāng)模型性能在一個(gè)階段的Epoch 停止不前或下降時(shí)，繼續(xù)訓(xùn)練模型也得不到很好的收斂，此時(shí)最好的辦法就是提前停止訓(xùn)練，Early stopping早停機(jī)制能很好地解決這個(gè)問(wèn)題[32]。本研究在OctaveC－YOLOv5 集成了早停機(jī)制，并設(shè)置參數(shù)為30。

1.8 評(píng)價(jià)指標(biāo)

為了驗(yàn)證提出模型檢測(cè)番茄的有效性，利用目標(biāo)檢測(cè)領(lǐng)域常用的量化指標(biāo)，即查準(zhǔn)率(precision，Pt)、查全率(recall，Rt)、F1 得分(F1t)、平均準(zhǔn)確率(average precision，AP)、平均精度均值(mean average precision， mAP)對(duì)模型進(jìn)行評(píng)估，公式如下。

式中T(Ptomato)、F(Ptomato)和F(Ntomato)分別指正確識(shí)別、錯(cuò)誤或未識(shí)別及把成熟番茄檢測(cè)為未成熟番茄或其他背景的數(shù)量；F1t為綜合衡量查準(zhǔn)率與查全率的指標(biāo)；AP 定義為當(dāng)AP 的交并比(Intersection over Union， IoU)閾值取0.5 時(shí)，對(duì)于某一類別具有多個(gè)正確檢驗(yàn)框的樣本，每增加一個(gè)正確檢驗(yàn)框?qū)?duì)應(yīng)一個(gè)Pt值，對(duì)多個(gè)Pt取平均值即得到該類別的AP；mAP 為AP 在所有類別下的均值，能整體表征多類別目標(biāo)檢測(cè)模型的綜合性能；Q 指定義的檢測(cè)類別，本研究有成熟與未成熟番茄2 類，所以Q 為2。

2 模型檢測(cè)效果分析

2.1 訓(xùn)練結(jié)果分析

在訓(xùn)練的早期，模型欠學(xué)習(xí)，損失函數(shù)值較大，跳過(guò)前50 次后，重畫損失函數(shù)和mAP 參數(shù)的變化，更詳細(xì)地觀察和分析模型的訓(xùn)練過(guò)程。從損失函數(shù)和mAP 的曲線(圖7)可以看出，在前210 次訓(xùn)練中，損失函數(shù)急劇下降，mAP 曲線劇烈振蕩，這是因?yàn)樵谟?xùn)練的初始階段得到的權(quán)值與訓(xùn)練樣本不匹配訓(xùn)練梯度較大，更新后的參數(shù)與上次相比差異較大；從600 到900 次迭代的損失函數(shù)變化逐漸趨于平穩(wěn)，而mAP 曲線降低了振蕩，這表明訓(xùn)練中逐漸獲得的權(quán)重匹配樣本的特征和梯度下降訓(xùn)練逐漸接近最佳點(diǎn)；900 次迭代后，損失函數(shù)變化趨于穩(wěn)定，mAP 曲線進(jìn)一步放緩接近1，并略有振蕩。觀察訓(xùn)練1 000 次后，停止訓(xùn)練并保存權(quán)重文件，用于模型評(píng)估。

圖7 OctaveC－YOLOv5 損失函數(shù)(a)與mAP(b)的變化曲線

2.2 番茄目標(biāo)檢測(cè)結(jié)果與分析

2.2.1 OctaveC－YOLOv5 與YOLOv5s 模型檢測(cè)結(jié)果對(duì)比分析 選擇115 幅樣本圖片作為模型檢驗(yàn)的測(cè)試集， 分別使用 YOLOv5s 和 OctaveC －YOLOv5 模型進(jìn)行檢驗(yàn)，并使用模型評(píng)價(jià)指標(biāo)對(duì)模型性能進(jìn)行評(píng)估。為了更直觀地展現(xiàn)OctaveCYOLOv5 相對(duì)于YOLOv5s 的性能，隨機(jī)抽取圖像在相同試驗(yàn)平臺(tái)進(jìn)行對(duì)比測(cè)試，結(jié)果如圖8 所示。圖中左邊與右邊的圖片分別表示番茄較少與較多兩種檢測(cè)場(chǎng)景，均包含遠(yuǎn)近距離與目標(biāo)較小的情況。觀察可見(jiàn)，YOLOv5s 對(duì)于小目標(biāo)的檢測(cè)效果較差，存在許多小番茄未被準(zhǔn)確檢測(cè)情況，且對(duì)于隱形特征或特征模糊和有番茄葉遮擋的番茄存在較多的檢測(cè)丟失；而OctaveC－YOLOv5 能成功檢出較小的和存在遮擋的番茄，有效提升了小目標(biāo)和被遮擋目標(biāo)的檢出率，降低了漏檢率，檢測(cè)精度較高，魯棒性強(qiáng)。

圖8 YOLOv5s 與OctaveC－YOLOv5 模型樣本測(cè)試效果對(duì)比

2.2.2 使用與未使用天氣增強(qiáng)方法的對(duì)比分析為了評(píng)估所提出的天氣增強(qiáng)方法對(duì)OctaveCYOLOv5 模型性能的影響，將天氣增強(qiáng)技術(shù)應(yīng)用于TBD－2 數(shù)據(jù)集的訓(xùn)練集，與未使用天氣增強(qiáng)方法的檢測(cè)結(jié)果(表2)相比，使用天氣增強(qiáng)方法后，成熟、未成熟番茄的檢出準(zhǔn)確率分別提升7.85、7.97個(gè)百分點(diǎn)，分別達(dá)到95.36%與92.86%，表明所提出的天氣增強(qiáng)方法有助于提升OctaveCYOLOv5 模型的檢測(cè)性能。

表2 使用與未使用天氣增強(qiáng)方法的OctaveC－YOLOv5 模型性能對(duì)比(%)

2.2.3 數(shù)據(jù)集TBD－2 與TBD－1 對(duì)檢測(cè)結(jié)果影響的對(duì)比分析 從TBD－2 數(shù)據(jù)集的測(cè)試集隨機(jī)選擇20 幅圖，分別使用YOLOv5s 與OctaveC －YOLOv5 模型進(jìn)行檢測(cè)，結(jié)果如表3 所示。與以TBD－1 數(shù)據(jù)集測(cè)試的結(jié)果(表1)相比，YOLOv5s與OctaveC－YOLOv5s 模型以TBD－2 數(shù)據(jù)集進(jìn)行檢測(cè)的綜合性能表現(xiàn)均明顯提升，平均精度均值分別提高10.85、13.76 個(gè)百分點(diǎn)，且OctaveCYOLOv5 的性能提升更大?？梢?jiàn)，應(yīng)用TBD－2 數(shù)據(jù)集更有利于提升模型對(duì)番茄識(shí)別的準(zhǔn)確率。

表3 OctaveC－YOLOv5 與YOLOv5s 模型在TBD－2 的試驗(yàn)結(jié)果(%)

2.2.4 基于TBD－2 數(shù)據(jù)集和天氣增強(qiáng)方法的OctaveC－YOLOv5 模型檢測(cè)效果 檢測(cè)結(jié)果用混淆矩陣進(jìn)行展示，如圖9a，混淆矩陣的行表示預(yù)測(cè)的類別標(biāo)簽，列表示真實(shí)的類別標(biāo)簽，對(duì)角線上的值是預(yù)測(cè)的正確率，數(shù)值越大說(shuō)明識(shí)別的準(zhǔn)確率越高，而非對(duì)角線的值則是預(yù)測(cè)錯(cuò)誤的比例?？梢?jiàn)，OctaveC－YOLOv5 模型的檢測(cè)性能良好，成熟番茄和未成熟番茄類別的檢出準(zhǔn)確率分別為94%和92%；背景FN 為0，表明標(biāo)記的對(duì)象都被成功檢測(cè)到。值得注意的是，成熟和未成熟番茄FP 分別為0.46 與0.54，說(shuō)明兩種類型番茄都有部分被判別為背景，且未成熟番茄中占比較大。

圖9b 展示了Precision－Recall (PR)曲線，用于描繪模型所屬類別的綜合性能表現(xiàn)，曲線越接近于右上角說(shuō)明模型整體性能越優(yōu)異。其中，曲線下方的面積為該類別的AP 值。由圖9b 可知，成熟與未成熟番茄的AP 值分別為92.10%、92.90%；未成熟番茄達(dá)到的最低mAP 為0.85，低于成熟番茄類別(0.88)。

圖9 基于TBD－2 數(shù)據(jù)集和天氣增強(qiáng)方法的OctaveC－YOLOv5 模型檢測(cè)效果

總體而言，本研究提出的OctaveC－YOLOv5模型結(jié)合天氣增強(qiáng)方法在TBD－2 數(shù)據(jù)集上達(dá)到了較好的檢測(cè)性能。

2.3 消融對(duì)比試驗(yàn)

本研究提出了3 個(gè)用于改進(jìn)YOLOv5 的方法，為了驗(yàn)證這些方法的有效性，基于TBD－2 數(shù)據(jù)集，逐步添加改進(jìn)方法進(jìn)行消融對(duì)比試驗(yàn)，并用模型的參數(shù)量與浮點(diǎn)運(yùn)算量度量模型的復(fù)雜度。參數(shù)量與浮點(diǎn)運(yùn)算量都代表了數(shù)據(jù)在通過(guò)復(fù)雜網(wǎng)絡(luò)時(shí)經(jīng)歷的計(jì)算量，值越低，網(wǎng)絡(luò)的復(fù)雜性就越低。

由表4 可知，相比于YOLOv5 網(wǎng)絡(luò)，引入八度卷積的YOLOv5 網(wǎng)絡(luò)mAP 提升了8.91 個(gè)百分點(diǎn)，引入CBAM 的YOLOv5 網(wǎng)絡(luò)mAP 提升了6.97個(gè)百分點(diǎn)，前者對(duì)模型性能的提升更顯著，這得益于八度卷積高低頻特征的覆蓋能力較強(qiáng)；并且八度卷積使檢測(cè)時(shí)間縮短0.001 s，而CBAM 卻使檢測(cè)時(shí)間延長(zhǎng)0.007 s。但將兩者共同引入YOLOv5模型，mAP 提升了11.13 個(gè)百分點(diǎn)，分別高出單獨(dú)使用八度卷積和CBAM 2.22、4.16 個(gè)百分點(diǎn)，且檢測(cè)時(shí)間相對(duì)于單引入CBAM 縮短0.002 s。另外，八度卷積在提高模型檢測(cè)精度的同時(shí)，能夠有效降低模型參數(shù)量與浮點(diǎn)運(yùn)算量。綜上表明，利用八度卷積挖掘細(xì)節(jié)信息與注意力機(jī)制抑制無(wú)用特征能有效提高YOLOv5 網(wǎng)絡(luò)檢測(cè)性能。天氣增強(qiáng)方法能夠幫助模型抵抗過(guò)擬合，提高模型泛化能力。與試驗(yàn)4 相比，試驗(yàn)5 的mAP 提升了1.86個(gè)百分點(diǎn)?？梢?jiàn)，本研究提出的3 個(gè)方法均對(duì)模型檢測(cè)性能有所提升，以三者共同引入的效果最佳；雖然CBAM 會(huì)導(dǎo)致模型的復(fù)雜度與檢測(cè)時(shí)間增加，但八度卷積能在一定程度上抑制CBAM 的副作用，從而使模型的檢測(cè)精度明顯提升。

表4 模型消融試驗(yàn)結(jié)果比較

2.4 OctaveC－YOLOv5 模型與其他7 種模型的性能對(duì)比分析

為了考察OctaveC－YOLOv5 的性能和實(shí)用性，基于TBD－2 數(shù)據(jù)集，與其他7 種模型(表5)進(jìn)行對(duì)比測(cè)試，可以看出，OctaveC－YOLOv5 模型的檢測(cè)準(zhǔn)確率、mAP 明顯提升；檢測(cè)時(shí)間雖比YOLOv3－tiny、SSD、YOLOv3、YOLOv5 模型延長(zhǎng)0.005～0.009 s，但mAP 卻提升了7.34～28.26 個(gè)百分點(diǎn)。改進(jìn)后的OctaveC－YOLOv5 在性能上明顯優(yōu)于其他檢測(cè)模型。這主要是因?yàn)閷硕染矸e與注意力機(jī)制結(jié)合，提升了遠(yuǎn)近距離視覺(jué)上目標(biāo)信息的獲取，降低了無(wú)用特征信息對(duì)模型的影響，解決了番茄果實(shí)與葉片重疊、嚴(yán)重遮擋、較多小目標(biāo)等問(wèn)題的干擾。

表5 不同檢測(cè)算法性能指標(biāo)對(duì)比

3 結(jié)論

本研究提出了一種精準(zhǔn)度更高的番茄成熟檢測(cè)方法OctaveC－YOLOv5，可用于采摘機(jī)器人對(duì)溫室番茄的識(shí)別和采摘。該模型引入了八度卷積和注意力機(jī)制，加強(qiáng)了對(duì)遠(yuǎn)近距離產(chǎn)生的小目標(biāo)番茄、葉片遮擋果實(shí)和番茄果實(shí)多個(gè)重疊目標(biāo)識(shí)別的魯棒性，有效提高了番茄檢測(cè)精度。此外，將天氣增強(qiáng)技術(shù)應(yīng)用于數(shù)據(jù)增強(qiáng)及模型訓(xùn)練，豐富了訓(xùn)練數(shù)據(jù)量，提高了模型的泛化能力。利用該模型對(duì)測(cè)試數(shù)據(jù)集進(jìn)行檢測(cè)，平均精度為94.58%(IoU≥0.5)，對(duì)溫室中高度遮擋的番茄表現(xiàn)出良好的識(shí)別和檢測(cè)準(zhǔn)確性，為番茄采摘機(jī)器人提供了一種新的視覺(jué)識(shí)別思路。

為了驗(yàn)證OctaveC－YOLOv5 的優(yōu)越性，將其與Fast R－CNN、SSD、YOLOv3－tiny、YOLOv3、YOLOv4、YOLOv5、YOLOX 模型進(jìn)行對(duì)比試驗(yàn)，綜合檢測(cè)準(zhǔn)確率和檢測(cè)時(shí)間，OctaveC－YOLOv5 的檢測(cè)性能明顯優(yōu)于其他模型，表現(xiàn)出更好的泛化性和實(shí)時(shí)檢測(cè)優(yōu)勢(shì)，適用于收獲機(jī)器人。

在未來(lái)的研究中，將開(kāi)發(fā)一個(gè)可在收獲前通過(guò)觀察實(shí)時(shí)識(shí)別和估計(jì)番茄成熟度的綜合框架，以確定適當(dāng)?shù)氖斋@時(shí)間并監(jiān)測(cè)植株的生長(zhǎng)狀態(tài)。