文件大小：1.02M
摘要：随着咖啡文化的普及和消费需求的增长，咖啡果实的成熟度成为决定品质和市场价值的关键因素。然而，不合理采收导致品质参差不齐，影响经济效益。通过先进成熟度检测技术，可提升采摘精准性，为农户提供数据化决策支持，但现有方法在复杂背景下的鲁棒性和高密度小目标检测方面仍存在技术挑战。因此，提出一种基于图像分块交互的咖啡树果实成熟度预测模型，通过引入空间分块交互注意力机制(SBIAM)实现局部特征和全局特征信息的互补融合，使得模型既能聚焦果实区域，又能有效抑制背景干扰，增强模型对关键特征的关注能力。此外，引入归一化Wasserstein距离(NWD)损失函数解决咖啡果实分类较多出现预测位置偏差等问题，提升复杂场景下咖啡果实成熟度检测的精度和鲁棒性。实验结果表明，提出的改进模型不仅提升了检测精度，还实现了性能与效率的良好平衡。
文章目录
1 改进的Yolov5网络结构
2 改进模型详解
2.1 空间分块交互注意力机制模块
2.2 NWD损失函数
3 实验及结果分析
3.1 实验环境参数配置
3.2 实验数据集及评价指标
3.3 实验结果与分析
3.3.1 消融实验与分析
3.3.2 模型对比实验及分析
4 结束语
