基于改進(jìn)YOLOv4-Tiny的蔗芽識(shí)別方法

劉姣娣　何捷　許洪振　段玉龍　沈漫林

摘要：為解決蔗芽識(shí)別在蔗種定向機(jī)械化種植速度不匹配問題，提出基于改進(jìn)YOLOv4-Tiny的蔗芽快速識(shí)別方法。將主干網(wǎng)絡(luò)融合SE-Resnet模塊實(shí)現(xiàn)注意力機(jī)制以增強(qiáng)蔗芽的特征；頸部網(wǎng)絡(luò)結(jié)構(gòu)多增加一層預(yù)測尺度并進(jìn)行錨框的K-means重聚類，利用淺層網(wǎng)絡(luò)的細(xì)節(jié)信息來提高模型對小目標(biāo)蔗芽的檢測能力；設(shè)計(jì)人機(jī)交互界面實(shí)時(shí)顯示蔗芽識(shí)別定位信息。該研究將改進(jìn)YOLOv4-Tiny算法和NCS2加速推理部署在樹莓派4B設(shè)備中測試，試驗(yàn)結(jié)果表明：識(shí)別蔗芽精度達(dá)到95.87%，平均精度均值mAP為92.46%，基于樹莓派檢測速度為0.61s，模型大小僅為23.2MB。實(shí)現(xiàn)部署在嵌入式設(shè)備中準(zhǔn)確快速識(shí)別蔗芽，解決蔗種蔗芽識(shí)別速度慢制約蔗種機(jī)械化播種速度問題，為蔗種機(jī)械化定向種植提供解決方案。

關(guān)鍵詞：蔗芽識(shí)別；YOLOv4-Tiny；樹莓派4B；SE-Resnet；K-means重聚類

中圖分類號(hào)：S223.2： TP391.41文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：20955553 （2023） 11016907

Identification method of cane sprout based on improved YOLOv4-Tiny

Liu Jiaodi， He Jie， Xu Hongzhen， Duan Yulong， Shen Manlin

（School of Mechanical and Control Engineering， Guilin University of Technology， Guilin， 541000， China）

Abstract：In order to solve the problem that the speed of sugarcane bud recognition does not match in the directional mechanized planting of sugarcane seeds， this paper proposes a rapid recognition method of sugarcane buds based on the improved YOLOv4-Tiny. The backbone network is integrated with the SE-Resnet module to realize the attention mechanism to enhance the characteristics of sugarcane buds. The neck network structure adds an additional layer of prediction scale and performs K-means reclustering of the anchor box， and uses the detailed information of the shallow network to improve the performance. The detection ability of the model to small target sugarcane buds， the design of human-computer interaction interface displays the sugarcane bud identification and positioning information in real time. In this study， the improved YOLOv4-Tiny algorithm and NCS2 accelerated reasoning will be deployed in the Raspberry Pi 4B device for testing. The test results show that the recognition accuracy of sugarcane buds is 95.87%， and the average precision and mean mAP is 92.46%. Based on the Raspberry Pi， the detection speed is 0.61 s， and the model size is only 23.2 MB. It realizes accurate and fast identification of sugarcane buds deployed in embedded devices， solves the problem that the slow recognition speed of sugarcane seeds restricts the speed of mechanized sowing of sugarcane seeds， and provides a solution for mechanized directional planting of sugarcane seeds.

Keywords：sugarcane sprout identification; YOLOv4-Tiny; Raspberry Pi 4B; SE-Resnet; K-means reclustering

0引言

甘蔗是世界上主要的經(jīng)濟(jì)作物之一，在全球種植面積約2×107hm2，我國甘蔗種植面積達(dá)1466.67khm2，位居世界第三［1］。根據(jù)農(nóng)藝要求，甘蔗種植時(shí)，蔗種要求平放，蔗芽朝向種溝兩側(cè)溝壁，避免蔗芽朝向種溝底部，以促進(jìn)蔗芽早萌動(dòng)、早出土，提高蔗種出苗率［25］。由于國內(nèi)外現(xiàn)有的甘蔗種植機(jī)械均采用盲種方式，缺少蔗芽識(shí)別功能，無法保證蔗種平放、蔗芽朝向種溝兩側(cè)溝壁的種植農(nóng)藝要求，導(dǎo)致蔗種萌發(fā)晚、生根慢、出苗率低等問題，直接影響甘蔗產(chǎn)量。李尚平等［6］通過優(yōu)化組合參數(shù)驗(yàn)證試驗(yàn)，得出最優(yōu)排種速度約0.8s/根。目前，蔗種定向種植主要依靠人眼識(shí)別蔗芽、手動(dòng)完成蔗芽定向來擺放蔗種，其勞動(dòng)強(qiáng)度大、工作效率低等諸多因素嚴(yán)重阻礙了甘蔗產(chǎn)業(yè)的發(fā)展。

國內(nèi)外對于蔗種的檢測識(shí)別主要集中在莖節(jié)識(shí)別［713］，目的是為實(shí)現(xiàn)防傷芽的自動(dòng)切種。陸尚平［14］等采用OTSU閾值分割、經(jīng)典邊緣算子檢測和基于FCM蔗芽分割等多種傳統(tǒng)圖像處理方法分割蔗芽。張東紅等［15］通過計(jì)算每個(gè)莖節(jié)上列像素值之和，統(tǒng)計(jì)位于直線中線像素值，根據(jù)蔗芽繞莖節(jié)生長的特征，結(jié)合bounding Rect函數(shù)，定位蔗芽位置。劉栩廷等［16］基于SVM對蔗種壞芽檢測識(shí)別。Song等［17］基于深度學(xué)習(xí)LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)，建立分類CNN模型識(shí)別蔗種好芽和壞芽。李強(qiáng)等基于卷積神經(jīng)網(wǎng)絡(luò)對蔗芽識(shí)別定位，通過改進(jìn)LeNet-5網(wǎng)絡(luò)模型，蔗芽識(shí)別準(zhǔn)確率為92%，在電腦端測試單幅蔗種圖像檢測用時(shí)長達(dá)1.2s，模型大小為68.35M，但未能滿足實(shí)際蔗種機(jī)械定向種植速度約0.8s/根。

為提高蔗芽識(shí)別速度與準(zhǔn)確率，滿足蔗種定向種植機(jī)械的播種速度要求，基于YOLOv4-Tiny快速且模型小通用性強(qiáng)的優(yōu)點(diǎn)，提出一種基于改進(jìn)YOLOv4-Tiny的蔗芽快速識(shí)別方法，主干網(wǎng)絡(luò)融合SE-Resnet模塊，頸部網(wǎng)絡(luò)新增一個(gè)預(yù)測尺度并進(jìn)行錨框的K-means重聚類，并將模型和NCS2加速推理部署于樹莓派4B設(shè)備中測試。

1材料與方案

1.1數(shù)據(jù)來源

本文使用的蔗種數(shù)據(jù)來自中國廣西桂林市國家農(nóng)業(yè)科技園區(qū)。甘蔗品種為“桂糖44號(hào)”，蔗種采集時(shí)間為2021年10月24日，人工將整根甘蔗切斷成雙芽段蔗種，蔗種長度30～40cm［18］，篩選出較明顯粗壯蔗芽的蔗種放置于實(shí)驗(yàn)臺(tái)架上模擬排種裝置夾持蔗種輸送如圖1（a）所示。在攝像頭距離蔗種約250mm進(jìn)行拍攝，要求蔗芽面向鏡頭為中線左右偏移不超過30°隨機(jī)擺放如圖1（b）所示，以確保采集的圖像能夠準(zhǔn)確反映蔗芽特征，圖像尺寸3000×3000，共采集圖像2036張，部分采集圖像展示如圖1（c）所示，圖像均以JPG格式保存，訓(xùn)練集、測試集和驗(yàn)證集以8∶1∶1的比例劃分，并采用LabelImg1.8.5工具對數(shù)據(jù)圖像標(biāo)注，保存結(jié)果文件為XML格式，數(shù)據(jù)集以PASCAL VOC［19］格式保存，以便用于訓(xùn)練和測試。

1.2甘蔗機(jī)械化定向種植方案

為解決甘蔗智能定向種植，本文提出一種甘蔗機(jī)械化定向種植技術(shù)方案如圖2所示，可實(shí)現(xiàn)蔗種圖像的采集、蔗芽識(shí)別、蔗芽朝向調(diào)整及蔗種種植。

首先，通過圖像采集系統(tǒng)完成對蔗種目標(biāo)特征圖像的收集，且進(jìn)行圖像預(yù)處理和數(shù)據(jù)集劃分；其次，為實(shí)現(xiàn)蔗芽的快速檢測和定位，使用檢測速度快且模型輕的深度學(xué)習(xí)模型YOLOv4-Tiny網(wǎng)絡(luò)進(jìn)行蔗芽識(shí)別，然后，針對原始網(wǎng)絡(luò)在蔗芽識(shí)別中存在蔗芽小目標(biāo)的漏檢和識(shí)別速度慢等問題，對YOLOv4-Tiny網(wǎng)絡(luò)進(jìn)行改進(jìn)，通過測試分析，對提出改進(jìn)方法進(jìn)行對比驗(yàn)證，最后，將網(wǎng)絡(luò)模型部署到嵌入式設(shè)備中，通過末端執(zhí)行設(shè)備對蔗種實(shí)行夾取，蔗芽執(zhí)行調(diào)向和投種。

2目標(biāo)檢測算法

2.1改進(jìn)YOLOv4-Tiny網(wǎng)絡(luò)

YOLOv4-Tiny［20］算法是一種輕量級(jí)的快速目標(biāo)檢測算法，參數(shù)僅有600萬，相當(dāng)于原來的1/10，這使得檢測速度有很大提升。本文按公開COCO數(shù)據(jù)集標(biāo)準(zhǔn)，將圖像尺寸小于32×32的特征目標(biāo)定義為小目標(biāo)，而蔗芽屬于較小目標(biāo)。為提高小目標(biāo)檢測能力，本文在原預(yù)測輸出層上再增加一層淺層預(yù)測輸出層，深層的特征圖適合檢測大目標(biāo)的物體，網(wǎng)絡(luò)層數(shù)越深就越能提取到圖像中深層的語義信息，使提取到的語義信息變得更加豐富，感受視野較大，而淺層的特征圖適合檢測小目標(biāo)的物體，淺層的特征圖語義信息較少，感受視野也較小，包含更準(zhǔn)確地位置信息和其他細(xì)節(jié)信息，本文輸入圖像尺寸為416×416，在YOLOv4-Tiny的主干網(wǎng)絡(luò)中產(chǎn)生三種尺寸特征圖，分別為13×13、26×26、52×52。較為簡單YOLOv4-Tiny網(wǎng)絡(luò)模型不足以學(xué)習(xí)到足夠蔗芽特征，且蔗芽信息與莖節(jié)處顏色特征差異不大，導(dǎo)致識(shí)別錯(cuò)誤或漏檢測現(xiàn)象，為了提升網(wǎng)絡(luò)的識(shí)別準(zhǔn)確度和識(shí)別速度，嵌入SE-Resnet模塊替代原有的三個(gè)CSP結(jié)構(gòu)，它能增強(qiáng)網(wǎng)絡(luò)特征通道之間的信息傳遞，使用時(shí)可明顯提高蔗芽檢測精度，此外，采用Mish激活函數(shù)替換原來的Leaky Relu激活函數(shù)，與其他常用函數(shù)ReLU和Swish相比，Mish激活函數(shù)有以下四個(gè)特點(diǎn)：無上界、無下界、光滑、非單調(diào)。它可以防止網(wǎng)絡(luò)飽和，提高網(wǎng)絡(luò)的正則化效果，與Leaky Relu激活函數(shù)相比，在0值點(diǎn)連續(xù)可以減少一些不可預(yù)測的問題。其次，計(jì)算簡單速度快，比較適用于嵌入式設(shè)備，使網(wǎng)絡(luò)更容易優(yōu)化，具有更高的檢測性能，改進(jìn)YOLOv4-Tiny網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

2.2SE-Resnet模塊

SE-Net［21］網(wǎng)絡(luò)是一種通道維度增強(qiáng)注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，用于強(qiáng)調(diào)信息特征，并通過學(xué)習(xí)使用全局信息來抑制非目標(biāo)信息的特征。在SE-Net中包含兩個(gè)核心操作壓縮和激發(fā)。根據(jù)SE-Net的思想，對網(wǎng)絡(luò)改進(jìn)一般有兩種方法，第一是在卷積層后面直接加SE-Resnet模塊，這種方法對任何網(wǎng)絡(luò)都適用，但這樣就會(huì)造成大量的卷積層和參數(shù)量，會(huì)使得訓(xùn)練和學(xué)習(xí)速度降低，識(shí)別效果慢。第二是引入SE-Resnet模塊替換原主干網(wǎng)絡(luò)中的三個(gè)CSP結(jié)構(gòu)，其中SE-Resnet模塊網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

2.3錨框K-means重聚類

在YOLOv4-Tiny網(wǎng)絡(luò)中使用錨框作為先驗(yàn)框，YOLOv4-Tiny預(yù)測輸出僅有2個(gè)特征層，每個(gè)特征層有3種錨框，一共有6個(gè)錨框，這6個(gè)錨框是對VOC數(shù)據(jù)集聚類所得到［22］，生成的錨框都比較偏向于固定比的正方形和長方形，與蔗芽特征尺寸有很大的不同。由于對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了更改，增加至三個(gè)尺度預(yù)測輸出層，對應(yīng)需9個(gè)錨框，所以需要對蔗芽數(shù)據(jù)集進(jìn)行重新聚類。選9個(gè)對象作為初始聚類中心，載入蔗種數(shù)據(jù)集，通過K-means算法對數(shù)據(jù)集中每個(gè)點(diǎn)，計(jì)算其與每個(gè)質(zhì)心的距離，離哪個(gè)質(zhì)心近，就劃分到那個(gè)質(zhì)心所屬的區(qū)域，把全部數(shù)據(jù)歸好區(qū)域后，共有9個(gè)區(qū)域，然后重新計(jì)算每個(gè)區(qū)域的質(zhì)心。如果新計(jì)算出來的質(zhì)心和原來的質(zhì)心之間的位置變化不大，趨于收斂，可認(rèn)為聚類已經(jīng)達(dá)到期望的結(jié)果。如果新質(zhì)心和原質(zhì)心距離變化很大，會(huì)反復(fù)上述過程直到收斂。生成9個(gè)適合蔗芽特征的錨框分別為（15，13），（16，19），（20，16），（18，23），（22，20），（20，27），（28，24）（24，29），（33，34），不再使用原來的默認(rèn)的錨框，K-means聚類后錨框分布情況如圖5所示，每個(gè)區(qū)域的質(zhì)點(diǎn)就是對應(yīng)錨框的坐標(biāo)點(diǎn)，重新聚類后會(huì)獲得更貼近的適合蔗芽特征的先驗(yàn)框，有利于模型訓(xùn)練和學(xué)習(xí)。

3模型訓(xùn)練與測試

3.1訓(xùn)練環(huán)境與方法

訓(xùn)練平臺(tái)硬件配置：Intel（R）Core（TM）i7-10700K CPU@3.80GHz，24G內(nèi)存，搭配NVIDIA GeForce RTX2060 SUPER圖形卡，顯存大小8G，操作系統(tǒng)為Windows10專業(yè)版，圖像形態(tài)學(xué)處理采用OpenCV 4.5.3視覺庫，并在Python3.7、CUDA11.1環(huán)境下使用Tensorflow作為框架實(shí)現(xiàn)整個(gè)算法的訓(xùn)練。部分訓(xùn)練參數(shù)設(shè)置如下：訓(xùn)練圖像大小調(diào)整為416×416，批量大小（Batch size）設(shè)置為32，初始學(xué)習(xí)率為0.01，循環(huán)學(xué)習(xí)率為0.0001，Epoch迭代次數(shù)為500。采用隨機(jī)梯度下降（SGD）優(yōu)化器，動(dòng)量設(shè)為0.937。從圖6可以看出，改進(jìn)前模型損失值較大，收斂波動(dòng)頻繁，改進(jìn)后模型收斂快，波動(dòng)平緩，最終收斂損失值較小，兩者均在約第310次迭代時(shí)開始收斂處于水平。

3.2測試環(huán)境

將訓(xùn)練平臺(tái)訓(xùn)練好模型部署于測試平臺(tái)樹莓派4B進(jìn)行測試，樹莓派4B實(shí)物及Raspberry Pi Camera模塊如圖7所示。

其操作系統(tǒng)為Raspberry Pi OS 64位（Raspbian），運(yùn)行內(nèi)存8G，核心處理器CPU為BrOadcom BCM2711四核1.5GHz 64-bit ARM Cortex-A72，以Python作為編程語言，搭載Tensorflow深度學(xué)習(xí)框架，擁有嬌小外觀，功能強(qiáng)大的微型電腦。

3.3配置NCS2推理加速

英特爾第二代神經(jīng)計(jì)算棒簡稱NCS2，是一種可以提升深度神經(jīng)網(wǎng)絡(luò)推理速度硬件加速器，其內(nèi)置了最新的Intel Movidius Myriad X VPU視覺處理器，集成16個(gè)SHAVE計(jì)算核心，可以極低的功耗執(zhí)行高性能視覺和AI推理運(yùn)算。NCS2主要用于物聯(lián)網(wǎng)的設(shè)備端，代替原有設(shè)備進(jìn)行深度學(xué)習(xí)的推理，實(shí)現(xiàn)圖像計(jì)算。NCS2體積小，價(jià)格低，專用于圖像計(jì)算，性能高于傳統(tǒng)的嵌入式設(shè)備，起到取長補(bǔ)短的功能。通過Open VINO模型優(yōu)化器將其轉(zhuǎn)換為NCS2神經(jīng)計(jì)算棒支持的IR文件，并部署到具有NCS2神經(jīng)計(jì)算棒的樹莓派4B上，實(shí)現(xiàn)進(jìn)一步對模型性能優(yōu)化，在檢測速度上有明顯提升，更易于實(shí)用和推廣。

4結(jié)果與分析

4.1評(píng)估標(biāo)準(zhǔn)

4.2不同超參數(shù)下的模型指標(biāo)分析

蔗芽識(shí)別網(wǎng)絡(luò)模型在性能測試中使用不同的IoU閾值和置信度閾值的分析結(jié)果如圖8所示。在一定范圍內(nèi)IoU閾值是可以直接影響模型的精度。IoU閾值并不是越大越好，IoU閾值越大被檢測到的預(yù)選框與真實(shí)框的重疊率就越高，被誤檢的數(shù)量也會(huì)增加。通常IoU閾值取0.5，此時(shí)精度P和召回率R分別達(dá)到95.87%和89%。隨置信度閾值的不斷增大，網(wǎng)絡(luò)模型的指標(biāo)mAP值也不斷減小。當(dāng)置信度閾值小于0.6時(shí)，F(xiàn)1值和召回率R以及精度P基本穩(wěn)定不變。反之，置信度閾值大于0.6時(shí)，F(xiàn)1值和召回率R開始緩慢降低，但精度P緩慢增大，本研究為保證精度同時(shí)也要保證誤檢容錯(cuò)率，經(jīng)反復(fù)測試發(fā)現(xiàn)置信度為0.35時(shí)，使改進(jìn)YOLOv4-Tiny網(wǎng)絡(luò)預(yù)測結(jié)果最佳。

4.3各模型性能分析

性能分析采用LeNet-5、YOLOv4-Tiny、YOLOv5s和改進(jìn)YOLOv4-Tiny模型做對比分析如表1所示。

測試結(jié)果表明LeNet-5在各項(xiàng)指標(biāo)上都略低于其他模型，YOLOv4-Tiny與YOLOv5s相比，精度P及各方面指標(biāo)相差并不大，YOLOv5s的模型大小要更輕一些，但部署在樹莓派4B上測試幀數(shù)（FPS）要比YOLOv5s高，YOLOv4-Tiny的檢測速度要更快；本文使用方法與YOLOv4-Tiny相比，精度P提升了4.6%，召回率R提升了4.25%，在部署于樹莓派4B上檢測速度要快一倍于YOLOv4-Tiny，幀數(shù)可達(dá)9.4幀/s，平均檢測速度約0.61s/根，檢測效果對比如圖9所示。

5人機(jī)交互界面設(shè)計(jì)

本文利用Python的PyQt5圖形框架設(shè)計(jì)一個(gè)人機(jī)交互界面如圖10所示，該程序可實(shí)現(xiàn)置信度自定義調(diào)參、可用于圖片、視頻和攝像頭的蔗芽檢測，便于查看分析實(shí)時(shí)顯示蔗芽識(shí)別定位信息，識(shí)別結(jié)果輸出蔗芽位置信息和置信度。

6結(jié)論

1） 為解決蔗種蔗芽識(shí)別精度低問題，提出改進(jìn)的YOLOv4-Tiny算法，通過主干網(wǎng)絡(luò)融入SE-Resnet模塊替換CSP結(jié)構(gòu)并采用Mish激活函數(shù)替代的Leaky Relu激活函數(shù)，降低運(yùn)算量提升速度，同時(shí)增強(qiáng)小目標(biāo)蔗芽檢測精度，擴(kuò)增一層淺層預(yù)測輸出結(jié)構(gòu)，保證算法具有識(shí)別精度高、檢測速度快的特點(diǎn)，與改進(jìn)前算法相比，識(shí)別精度提升了4.6%，模型大小僅增加0.6MB。

2） 為解決蔗種蔗芽識(shí)別速度慢制約蔗種機(jī)械化播種速度問題，將模型部署于樹莓派4B嵌入式設(shè)備并配置NCS2推理加速，試驗(yàn)結(jié)果表明，在樹莓派4B為測試平臺(tái)下，蔗芽檢測幀數(shù)為9.4幀/s，平均檢測速度約0.61s/根，與改進(jìn)前算法相比，蔗芽檢測幀數(shù)提高了2.1幀/s，平均檢測速度快了0.54s/根，滿足實(shí)際蔗種機(jī)械定向播種速度要求。

3） 設(shè)計(jì)并提出了甘蔗機(jī)械化定向種植技術(shù)方案，創(chuàng)新性地解決了傳統(tǒng)機(jī)械化盲種方式無法滿足蔗種種植農(nóng)藝要求問題，將人工智能視覺檢測技術(shù)引入甘蔗機(jī)械化種植領(lǐng)域，實(shí)現(xiàn)蔗芽識(shí)別、蔗芽朝向調(diào)整和播種，為甘蔗機(jī)械化定向種植技術(shù)的發(fā)展提供關(guān)鍵技術(shù)。

參考文獻(xiàn)

［1］朱衛(wèi)江. 我國甘蔗機(jī)械化收獲現(xiàn)狀與發(fā)展路徑選擇［J］. 農(nóng)機(jī)質(zhì)量與監(jiān)督， 2019（10）： 30-32.

［2］李炳楊. 廣西甘蔗種植現(xiàn)狀、問題及對策［J］. 熱帶農(nóng)業(yè)科學(xué)， 2018， 38（4）： 119-127.Li Bingyang. The present situation， problems and countermeasures of sugarcane cultivation in Guangxi ［J］. Chinese Journal of Tropical Agriculture， 2018， 38（4）： 119-127.

［3］羅全， 趙明， 李會(huì)校. 甘蔗不同播種方式對產(chǎn)量的影響［J］. 廣西農(nóng)業(yè)機(jī)械化， 2017（2）： 22-24.

［4］李榮喜， 劉立炫， 黃敏， 等. 甘蔗機(jī)械化種植對蔗種的要求［J］. 南方農(nóng)業(yè)， 2018， 12（18）： 21-22， 24.

［5］韋欣海. 甘蔗種植的高產(chǎn)技術(shù)及實(shí)施要點(diǎn)［J］. 南方農(nóng)業(yè)， 2018， 12（12）： 29-30.

［6］李尚平， 黃宗曉， 張偉， 等. 預(yù)切種式寬窄行甘蔗種植機(jī)單輥排種系統(tǒng)設(shè)計(jì)與試驗(yàn)［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020， 51（4）： 113-121.Li Shangping， Huang Zongxiao， Zhang Wei， et al. Experiments and design on single-rolled seed-sowing system of pre-seed-cutting sugarcane planters with wide and narrow row spacing［J］. Transactions of the Chinese Society of Agricultural Machinery， 2020， 51（4）： 113-121.

［7］Chen， H.， Xu G， J.， Liu X， et al. Sugarcane stem nodes based on the maximum value points of the vertical projection function ［J］. Ciência Rural， 2020， 50.

［8］Chen M， X. J， Cheng Q， et al. Sugarcane stem node detection based on wavelet analysis ［J］. IEEE Access， 2021（9）： 147933-147946.

［9］黃亦其， 喬曦， 唐書喜， 等. 基于Matlab的甘蔗莖節(jié)特征分布定位與試驗(yàn)［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2013， 44（10）： 93-97， 232.Huang Yiqi， Qiao Xi， Tang Shuxi， et al. Localization and test of characteristics distribution for sugarcane internode based on Matlab［J］. Transactions of the Chinese Society of Agricultural Machinery， 2013， 44（10）： 93-97， 232.

［10］陸尚平， 文友先， 葛維， 等. 基于機(jī)器視覺的甘蔗莖節(jié)特征提取與識(shí)別［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2010， 41（10）： 190-194.Lu Shangping， Wen Youxian， Ge Wei， et al. Recognition and features extraction of sugarcane nodes based on machine vision ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2010， 41（10）： 190-194.

［11］石昌友， 王美麗， 劉欣然， 等. 基于機(jī)器視覺的不同類型甘蔗莖節(jié)識(shí)別［J］. 計(jì)算機(jī)應(yīng)用， 2019， 39（4）： 1208-1213.Shi Changyou， Wang Meili， Liu Xinran， et al. Node recognition for different types of sugarcanes based on machine vision ［J］. Journal of Computer Applications， 2019， 39（4）： 1208-1213.

［12］張衛(wèi)正， 張偉偉， 張煥龍， 等. 基于高光譜成像技術(shù)的甘蔗莖節(jié)識(shí)別與定位方法研究［J］. 輕工學(xué)報(bào)， 2017， 32（5）： 95-102.Zhang Weizheng， Zhang Weiwei， Zhang Huanlong， et al. Research on identification and location method of sugarcane node based on hyperspectral imaging technology ［J］. Journal of Light Industry， 2017， 32（5）： 95-102.

［13］黃亦其， 黃體森， 黃媚章， 等. 基于局部均值的甘蔗莖節(jié)識(shí)別［J］. 中國農(nóng)機(jī)化學(xué)報(bào)， 2017， 38（2）： 76-80.Huang Yiqi， Huang Tisen， Huang Meizhang， et al. Recognition of sugarcane nodes based on local mean［J］. Journal of Chinese Agricultural Mechanization， 2017， 38（2）： 76-80.

［14］陸尚平. 基于機(jī)器視覺的甘蔗莖節(jié)識(shí)別與蔗芽檢測研究［D］. 武漢： 華中農(nóng)業(yè)大學(xué)， 2011.

［15］張東紅， 吳玉秀， 陳晨. 基于圖像處理的甘蔗莖節(jié)識(shí)別與蔗芽檢測［J］. 洛陽理工學(xué)院學(xué)報(bào)（自然科學(xué)版）， 2019， 29（2）： 67-72.Zhang Donghong， Wu Yuxiu， Chen Chen. Sugarcane stem section identification and sugarcane bud detection based on image processing ［J］. Journal of Luoyang Institute of Science and Technology （Natural Science Edition）， 2019， 29（2）： 67-72.

［16］劉栩廷， 劉姣娣， 王明明， 等. 基于SVM的蔗種壞芽檢測識(shí)別［J］. 石河子大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2022， 40（4）： 481-486.Liu Xuting， Liu Jiaodi， Wang Mingming， et al. Detection and recognition of sugarcane bad bud based on SVM［J］. Journal of Shihezi University （Natural Science）： 2022， 40（4）： 481-486.

［17］Song H， Peng J， Tuo N， et al. Study of sugarcane buds classification based on convolutional neural networks ［J］. Intelligent Automation & Soft Computing， 2021， 27（2）： 581-592.

［18］梁永檢. 甘蔗“健康種子”生產(chǎn)的關(guān)鍵技術(shù)研究［D］. 桂林： 廣西大學(xué)， 2015.

［19］Everingham M， Eslami S M A， Gool L， et al. The pascal visual object classes challenge： A retrospective［J］. International Journal of Computer Vision， 2015， 111（1）： 98-136.

［20］Bochkovskiy A， Wang C Y， Liao H Y M. Yolov4： Optimal speed and accuracy of object detection［J］. arXiv， 2020： 10934.

［21］Hu J， Shen L， Sun G. Squeeze-and-Excitation networks［C］. Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition， Salt Lake City， 2018： 7132-7141.

［22］吳奎， 向峰， 周順， 等. 基于改進(jìn)的YOLOv4-tiny鋼卷端面缺陷檢測［J］. 智能計(jì)算機(jī)與應(yīng)用， 2022， 12（3）： 22-27.Wu Kui， Xiang Feng， Zhou Shun， et al. Defect detection of steel coil based on improved Yolov4-Tiny［J］. Intelligent Computer and Applications， 2022， 12 （3）： 22-27.