1. 项目概述
苹果花开花水平估计是果园精准管理的重要环节。传统的人工观察方法效率低下且主观性强,难以满足现代果园管理的需求。本研究提出了一种基于改进YOLO算法的苹果花开花水平估计方法,通过计算机视觉和深度学习技术实现自动化评估。
在苹果种植过程中,开花期的管理直接影响最终产量和果实品质。准确评估开花水平和密度对于疏花疏果、产量预测等农事操作至关重要。我们的方法能够识别苹果花从吐蕾期到落花期的六个生长阶段,并计算花密度分布,为果园管理提供数据支持。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心算法改进
2.1 YOLOv5模型优化
针对苹果花检测的特殊需求,我们对YOLOv5模型进行了三方面改进:
-
坐标注意力机制(CA):在骨干网络的CSP模块中嵌入CA模块,增强对小目标的特征提取能力。CA通过分别对高度和宽度方向进行特征编码,保留空间位置信息,使模型能够更准确地定位早期阶段的小花蕾。
-
Bi-FPN特征融合:用双向特征金字塔网络替代原始FPN结构。Bi-FPN通过添加额外的上下采样路径和加权特征融合,更好地整合不同尺度的特征信息。实验表明,这种改进使小目标检测精度提升约15%。
-
专用小目标检测头:在原有三个检测头基础上,增加一个更高分辨率的检测头(160×160),专门用于检测吐蕾期和簇球阶段的小目标。该检测头使用浅层特征图,保留更多空间细节信息。
2.2 U-Net分割网络改进
对于密度检测任务,我们在U-Net模型中引入以下改进:
-
ASPP模块:在编码器部分加入空洞空间金字塔池化模块,使用扩张率分别为6、12、18的空洞卷积,捕获多尺度上下文信息。这显著提高了模型对不同密度区域的适应能力。
-
深度信息辅助:利用ZED深度相机获取的深度图,构建背景掩码。通过设定距离阈值(1.5-3米),过滤掉远处的复杂背景,使模型专注于果树区域。
-
混合损失函数:采用交叉熵损失和Dice损失的组合(权重比1:1),既考虑像素级分类精度,又关注区域重叠度,特别适合处理花朵与背景类别不平衡的情况。
3. 数据集构建与处理
3.1 数据采集方案
我们在试验果园搭建了专业采集系统,包含:
- 索尼α7R IV全画幅相机(6100万像素)
- 曼富图三轴云台支架
- 环形补光灯(可调亮度)
- ZED 2深度相机
- 户外级工控机
采集考虑了多种实际场景:
- 不同品种(富士、嘎啦、红元帅)
- 不同树龄(3-8年生)
- 不同天气(晴、阴、多云)
- 不同光照条件(顺光、侧光、逆光)
- 全天不同时段(6:00-18:00)
3.2 数据标注规范
开花水平数据集采用YOLO格式标注,定义6个类别:
- 吐蕾期(Green Bud):花芽刚萌动,直径约2-3mm
