Strawberry detection and counting based on YOLOv7 pruning and information based tracking algorithm

要約

イチゴ産業はフロリダ州に多大な経済的利益をもたらしていますが、イチゴの成長と収量を監視するプロセスには労力と費用がかかります。
機械学習ベースの検出および追跡手法の開発は、イチゴの収量の自動監視と予測を支援するために使用されていますが、以前の研究では深層学習手法が花と果実の検出にのみ適用されており、
マシンビジョンシステムによって収集された画像データセットの固有の特性。
この研究では、イチゴの花、未熟な果実、成熟した果実の高速かつ正確な検出を実現できる深層学習モデル (YOLOv7 とそのバリアント) の検出ヘッドの最適な枝刈りを提案しました。
その後、情報ベース追跡アルゴリズム (IBTA) と呼ばれる強化された物体追跡アルゴリズムにより、最良の検出結果が利用され、カルマン フィルターが削除され、移動方向、速度、空間情報が統合されて、イチゴの花と果実の追跡の精度が向上しました。
。
YOLOv7 バリアント間で提案された検出ヘッドのプルーニング、特に検出ヘッド 3 を使用した Pruning-YOLOv7-tiny とヘッド 2 および 3 を使用した Pruning-YOLOv7-tiny は、最高の推論速度 (163.9 フレーム/秒) と検出精度 (89.1%) を達成しました。
それぞれ。
一方、IBTAの効果は重心追跡アルゴリズム(CTA)と比較することで証明され、IBTAの複数物体追跡精度(MOTA)と複数物体追跡精度(MOTP)はそれよりも12.3%、6.0%高かった。
したがって、CTAの。
さらに、IDF1、IDR、IDP、MT、ID などの他のオブジェクト追跡評価指標は、イチゴの花と果物の追跡において IBTA が CTA よりも優れたパフォーマンスを示していることを示しています。

要約(オリジナル)

The strawberry industry yields significant economic benefits for Florida, yet the process of monitoring strawberry growth and yield is labor-intensive and costly. The development of machine learning-based detection and tracking methodologies has been used for helping automated monitoring and prediction of strawberry yield, still, enhancement has been limited as previous studies only applied the deep learning method for flower and fruit detection, which did not consider the unique characteristics of image datasets collected by the machine vision system. This study proposed an optimal pruning of detection heads of the deep learning model (YOLOv7 and its variants) that could achieve fast and precise strawberry flower, immature fruit, and mature fruit detection. Thereafter, an enhanced object tracking algorithm, which is called the Information Based Tracking Algorithm (IBTA) utilized the best detection result, removed the Kalman Filter, and integrated moving direction, velocity, and spatial information to improve the precision in strawberry flower and fruit tracking. The proposed pruning of detection heads across YOLOv7 variants, notably Pruning-YOLOv7-tiny with detection head 3 and Pruning-YOLOv7-tiny with heads 2 and 3 achieved the best inference speed (163.9 frames per second) and detection accuracy (89.1%), respectively. On the other hand, the effect of IBTA was proved by comparing it with the centroid tracking algorithm (CTA), the Multiple Object Tracking Accuracy (MOTA) and Multiple Object Tracking Precision (MOTP) of IBTA were 12.3% and 6.0% higher than that of CTA, accordingly. In addition, other object-tracking evaluation metrics, including IDF1, IDR, IDP, MT, and IDs, show that IBTA performed better than CTA in strawberry flower and fruit tracking.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google