数字农科院2.0

基于LT-YOLO检测与机器视觉的苹果激光疏花试验台参数优化与试验

文献类型： 中文期刊

作者： 高昂;吴昆;宋月鹏;任龙龙;马伟;刘一琳

作者机构：

关键词： 苹果花;激光疏花;参数优化;目标检测;LT-YOLO

期刊名称：农业机械学报

ISSN： 1000-1298

年卷期： 2025 年 56 卷 2 期

页码：

收录情况： EI（2025版） ; ; 北大核心（2023版） ; ; CSCD（2025-2026年度） ; ; 科技核心（2024版） ; ; 农林核心（2024版）

摘要： 针对苹果花激光疏花技术中的关键参数优化问题,设计了激光疏花试验台。通过正交试验法,优化了试验台高度、激光打击时间及PWM占空比,得到最佳参数组合:激光高度为20 cm、打击时间为10 s、激光功率(PWM占空比)为50%将达到最佳的疏花效果。针对激光疏花中苹果花识别与定位,提出了LT-YOLO(Lightweight and targeted-you only look once)苹果花检测模型,设计了基于ViTBlock的DPRViTBlock模块和基于C2f模块的DPRVBC2f模块,并添加了DPRVBC2f模块和ELA注意力模块,应用于检测骨干和检测头的特征提取,以增强对苹果花的检测性能,验证集中该模型的准确率、召回率和平均精度均值分别为83.16%、82.15%和87.47%,相比YOLO v8模型分别提高5.04、2.12、2.15个百分点,内存占用量为5.26 MB,检测速度为128 f/s,满足使用时的准确性和实时性的要求。该研究为苹果花疏花技术进一步优化与智能化应用提供了科学依据。

分类号：

  • 相关文献

[1]Intelligent Survey Method for Tiny Rice Pests and Their Natural Predators in Paddy Fields Using Augmented Reality (AR) Glasses. 洪辰,,罗举,,冯泽霖,,凌和平,,李玲一,,吴坚,,姚青,,刘淑华. 2025

[2]认真疏花疏果稳产优质壮树. 汪景彦. 1994

[3]苹果多倍体种质创新研究. 李林光,张志宏,何平,欧春青,李慧峰. 2008

[4]不同诱导方式对蜜蜂采访苹果花积极性的影响. 刘强,赵亚周. 2017

[5]辽宁绥中富士苹果花药开裂散粉状态表型数据图集ABP51. 常戬,尹龙,李壮,李燕青,李兆歆,乔龙. 2025

[6]基于轻量化YOLOv3卷积神经网络的苹果检测方法. 武星,齐泽宇,王龙军,杨俊杰,夏雪. 2020

[7]基于Mask R-CNN的玉米干旱卷曲叶片检测. 安江勇,黎万义,李茂松. 2019

[8]基于改进CornerNet的水稻灯诱飞虱自动检测方法构建与验证. 姚青,吴叔珍,蒯乃阳,杨保军,唐健,冯晋,朱旭华,朱先敏. 2021

[9]基于区域亮度自适应校正的茶叶嫩芽检测模型. 吕军,方梦瑞,姚青,武传宇,贺盈磊,边磊,钟小玉. 2021

[10]基于机器视觉和深度学习的稻纵卷叶螟性诱智能监测系统. 张哲宇,孙果镓,杨保军,刘淑华,吕军,姚青,唐健. 2022

[11]深度学习在蜜蜂研究中的应用. 孙逸飞,丁桂玲,路运才,刘振虎,黄家兴. 2023

[12]基于机器视觉的小贯小绿叶蝉智能识别的研究与应用. 边磊,何旭栋,季慧华,蔡晓明,罗宗秀,陈华才,陈宗懋. 2022

[13]农业复杂环境下尺度自适应小目标识别算法——以蜜蜂为例. 郭秀明,诸叶平,李世娟,张杰,吕纯阳,刘升平. 2022

[14]基于YOLO V3的葡萄病害人工智能识别系统. 王超学,祁昕,马罡,朱亮,王白暄,马春森. 2022

[15]基于深度学习的近地面草原鼠洞识别计数关键问题研究与应用. 郭秀明,王大伟,刘升平,诸叶平,刘晓辉,林克剑,王佳宇,李非. 2024

[16]果园作业机器人自主导航多任务联合感知方法研究. 张津国,蔡建峰,姜蓉蓉,余山山,王蓬勃. 2025

[17]基于RT-WEDT的麦穗检测与计数方法. 李婕,杨子豪,郑权,乔江伟,涂静敏. 2024

[18]基于机器视觉的蚕豆荚高精度检测方法研究. 夏子林,张新洲,王文波,夏先飞,陈兰,顾寄南. 2025

[19]基于改进YOLOv5n模型的农作物病虫害识别方法. 承达瑜,赵伟,何伟德,武择鹏,王建东. 2024

[20]基于改进YOLOv8模型的冬小麦穗识别技术. 宫志宏,闫锦涛,于红,刘涛,刘布春,李树岩. 2026

作者其他论文 更多>>