改进的轻量级YOLO在苹果物候期自动观测中的研究

许 增，王志伟，胡桃花，李雪鹏，杨晓峰，李海芳+

(1.太原理工大学 信息与计算机学院，山西 太原 030600；2.山西省气象局 山西省气候中心， 山西 太原 030006；3.山西省朔州市气象局 气象服务中心，山西 朔州 036000)

0 引 言

我国的苹果产量位居世界首位，出口量达90%，具有重要的产业地位。幼果期、果实膨大期、果实成熟期是苹果整个物候期当中的关键时期，苹果的产量和品质与此期间的物候观测和科学管理息息相关。

而物候期的自动观测，可以客观地判别作物所处物候期阶段，及时有效地开展农事活动和精准管理，提高农事管理效率，减少人为主观引起的观测资料的绝对性，以取得少投入、多产出、保护农业资源的突破，具有重要的应用价值。

随着机器学习的发展，计算机视觉技术以及深度学习技术在农业中得到了广泛的应用[1]。苹果物候期自动化观测也开始步入新的阶段。李宏利等[2]以3点确定圆算法为中心，配合图像中树枝树叶部分的分割、果实边缘的检测及去除图像的噪声等技术，以使处理速度满足实时要求，并使成熟期苹果定位结果准确。夏雪等[3,4]设计了基于自适应G-B色差图，并结合迭代阈值分割法(ITS)探测出幼果期苹果图像兴趣区。并且提出了一种融合K-means算法、关键角点检测算法和距离最小二乘算法实现了成熟苹果双果重叠目标侦测方法；赵德安等[5]提出了基于深度神经网络YOLOv3算法，实现了未成熟期、套袋期、成熟期的机器人采摘苹果定位。Tian等[6]提出了一种改进的YOLO-V3模型，利用密集连接的方法处理低分辨率的特征层，实现了幼果期、膨大期、成熟期的苹果检测估产及生长阶段判别双任务。……