基于改進(jìn)YOLOv5s的核桃樹干共振頻率檢測方法

中圖分類號(hào)：S225.93 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-5553（2025）07-0131-07

Abstract：In order toimprove the eficiency of walnut shaking harvesting equipment in orchard environment，a non-contact method for detecting the resonance frequency of walnut trunk was proposed.Firstly，in order to eficiently andaccurately obtain the motion information of featurepointson walnut trunksat each excitation frequency，the goal of lightweight integration in the orchard environment was achieved by improving the YOLOv5 network model，and the feasibilityof theimproved strategy was verified by ablation experiments and comparison experiments between diferent models，and the experiments showed that the mAP value of the improved YOLOv5s model was increased by 2.09% ，the number of model parameters was reduced by 72.4% ，and the detection speed of a single image could reach 9.2ms . Then，thehigh-framecamerawasmounted onthewalnut vibration equipment tocary out thefield walnut trunk resonance frequency detection test on twosample trees，and finally the trunk vibration data measuredby the displacement sensorwere quantitatively analyzed.The results offield experiment show thatthenon-contact detection method proposed in this paper is more time-saving and labor-saving，and the mean errors of the two sample trees in the range of 10-25Hz excitation frequency are 0. 434mm and 0. 245mm ，respectively.

Keywords：walnuts；trunk；shake harvesting；non-contact detection；resonant frequency；YOLOv5s

0 引言

核桃是一種營養(yǎng)豐富的堅(jiān)果，具有豐富的蛋白質(zhì)、脂肪、纖維素、維生素和礦物質(zhì)等營養(yǎng)成分，經(jīng)濟(jì)效益較高。核桃采收是整個(gè)核桃產(chǎn)業(yè)生產(chǎn)鏈中最為耗時(shí)、費(fèi)力的一個(gè)環(huán)節(jié)[]?，F(xiàn)有研究表明，果實(shí)的采收成本約占總成本的 50%^[2] 。核桃采收一直是影響核桃產(chǎn)業(yè)化、規(guī)模化發(fā)展的技術(shù)瓶頸[3]。國外對(duì)核桃振動(dòng)采收的研究較早，相關(guān)采收裝置早已進(jìn)入應(yīng)用階段，國內(nèi)林果振動(dòng)采收機(jī)發(fā)展較晚，相關(guān)研究比較缺乏[4]。目前，林果業(yè)機(jī)械采摘裝備大部分采用振動(dòng)式裝置使林果掉落[5]。研究表明，在果樹的固有頻率上搖振，可以實(shí)現(xiàn)較高的采收效率和果實(shí)采凈率[]，獲取核桃樹固有頻率對(duì)實(shí)現(xiàn)核桃高效采收有重要意義。

近年來，國內(nèi)外學(xué)者相繼對(duì)果樹共振頻率的檢測方法開展了大量研究。王長勤等使用加速度傳感器配合振動(dòng)測試系統(tǒng)測量了核桃樹的固有頻率。Junior等[8]使用加速度傳感器探究了咖啡果樹的固有頻率并建立了咖啡果樹的動(dòng)力學(xué)模型。然而傳感器雖能較為準(zhǔn)確地測得果樹固有頻率，但需布置大量的檢測點(diǎn)位以及處理龐大的傳感器數(shù)據(jù)且檢測成本高昂。鄭甲紅等9使用建模軟件與有限元分析軟件對(duì)樹體模型開展模態(tài)分析，求解得到樹體模型的固有頻率和振型。許林云等[10]利用激光點(diǎn)云技術(shù)構(gòu)建了樹體模型，結(jié)合有限元分析軟件測得了果樹固有頻率，并能夠在實(shí)測值中找到較為近似的值，但有限元方法所設(shè)定的材料、力學(xué)參數(shù)與實(shí)際參數(shù)存在差異，給檢測結(jié)果帶來干擾。近年來，有學(xué)者陸續(xù)使用圖像分割技術(shù)與高速攝影技術(shù)等來探究枸杞[11]、荔枝[12]、杏[13]等果樹的振動(dòng)響應(yīng)，已陸續(xù)取得技術(shù)性突破，為果樹搖振采收提供了新思路和指導(dǎo)方向。

綜上所述，本文提出一種非接觸式的核桃樹干共振頻率檢測方法，搭配高幀相機(jī)與核桃搖振設(shè)備，可在田間快速準(zhǔn)確地檢測核桃樹干的共振頻率，后續(xù)可搭載到核桃振動(dòng)采收機(jī)上，進(jìn)一步為核桃搖振采收環(huán)節(jié)提質(zhì)增效。

1核桃樹干共振頻率檢測方法

在核桃搖振采收作業(yè)中，準(zhǔn)確地獲取核桃樹干的共振頻率能夠大幅提升采收機(jī)的采收效率?，F(xiàn)有獲取核桃樹共振頻率的方法多為傳感器測量、有限元分析等方法，檢測成本高且檢測周期長。相比于現(xiàn)有檢測方法的局限性，提出一種基于YOLOv5s的核桃樹干共振頻率檢測方法，與振動(dòng)收獲設(shè)備配合可準(zhǔn)確識(shí)別核桃樹干在不同激振頻率下的振動(dòng)位移響應(yīng)?？紤]到核桃樹干在振動(dòng)采收中的振動(dòng)頻率為 10～25Hz ，振動(dòng)位移響應(yīng)為

5～15mm ，屬于低頻低幅位移，普通攝像模塊難以捕捉到核桃樹干的振動(dòng)響應(yīng)信息，因此，使用高幀相機(jī)記錄樹干的振動(dòng)位移響應(yīng)，并在樹干上固定反光標(biāo)點(diǎn)以提高檢測效果，標(biāo)記點(diǎn)的運(yùn)動(dòng)信息直接反映核桃樹干的位移響應(yīng)。本方法應(yīng)用場景為核桃果園，屬于典型的非結(jié)構(gòu)環(huán)境，為實(shí)現(xiàn)核桃樹干共振頻率實(shí)時(shí)檢測，根據(jù)實(shí)際應(yīng)用場景需求對(duì)YOLOv5s模型進(jìn)行合理的改進(jìn)，最終改進(jìn)結(jié)果如圖1所示。

1.1 YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv5[14.15]作為單階段（One-Stage）目標(biāo)檢測的代表算法，具有網(wǎng)絡(luò)模型尺寸小、靈活度高和檢測速度快等優(yōu)點(diǎn)，被廣泛應(yīng)用到很多實(shí)際項(xiàng)目中。YOLOv5網(wǎng)絡(luò)分為4個(gè)主要部分：輸入端（Input）、骨干基準(zhǔn)網(wǎng)絡(luò)（Backbone）、頸部網(wǎng)絡(luò)（Neck）和輸出端（Head）。圖像先進(jìn)入輸入端，經(jīng)過數(shù)據(jù)增強(qiáng)后輸入骨干基準(zhǔn)網(wǎng)絡(luò)中。骨干基準(zhǔn)網(wǎng)絡(luò)主要由CBS模塊、C3模塊和SPPF模塊組成，其中特征圖生成主要依賴CBS模塊和C3模塊的卷積操作，最終位于骨干基準(zhǔn)網(wǎng)絡(luò)末端的SPPF模塊將多種尺度的特征圖變形為固定長度的向量，隨后將其輸入到全連接層中進(jìn)行分類。特征提取完成后，得到3個(gè)不同尺度的特征圖像，用于識(shí)別不同大小的目標(biāo)信息。頸部網(wǎng)絡(luò)中的FPN與PAN結(jié)構(gòu)通過融合這3個(gè)尺度的特征，以增強(qiáng)語義表達(dá)和目標(biāo)框定位能力。最終輸出端輸出3個(gè)不同的預(yù)測結(jié)果，并包括目標(biāo)的位置、類別和置信度，詳細(xì)過程如圖2所示。

選擇模型量較小的YOLOv5s的深度學(xué)習(xí)框架作為基本框架，并在此基礎(chǔ)上搭建輕量化目標(biāo)檢測模型。相比于YOLOv3[16]和YOLOv4[17]，YOLOv5s在檢測速度與精度上獲得大幅提升。檢測對(duì)象為直徑10mm 的圓形標(biāo)記點(diǎn)，屬于典型的小目標(biāo)對(duì)象，試驗(yàn)背景多為樹干、樹葉和其他雜物，檢測過程受光照強(qiáng)度、光圈陰影等影響存在漏檢、錯(cuò)檢等問題，且果園環(huán)境屬計(jì)算資源受限的邊緣化場景，因此，需要模型參數(shù)小和復(fù)雜程度低的網(wǎng)絡(luò)模型結(jié)構(gòu)。綜合考慮以上問題，以保證檢測精度和檢測速度為前提，以樹干共振頻率檢測算法的輕量化集成設(shè)計(jì)為目標(biāo)，對(duì)YOLOv5s網(wǎng)絡(luò)模型進(jìn)行輕量化的改進(jìn)，提高模型在復(fù)雜農(nóng)業(yè)環(huán)境中對(duì)小目標(biāo)物體的檢測能力。

1.2 MobileNetV3輕量化模型

為實(shí)現(xiàn)在移動(dòng)設(shè)備和嵌人式系統(tǒng)等資源受限環(huán)境下的高效目標(biāo)檢測，將MobileNetV3[18]網(wǎng)絡(luò)結(jié)構(gòu)深度集成到Y(jié)OLOv5s目標(biāo)檢測框架中，將結(jié)構(gòu)復(fù)雜的C3模塊替換為輕量化網(wǎng)絡(luò)MobileNetV3的基礎(chǔ)模塊，大幅減少模型參數(shù)計(jì)算量與模型參數(shù)量，進(jìn)一步提升目標(biāo)檢測的速度。

1. 2.1 深度可分離卷積

MobileNetV3是一種輕量級(jí)的卷積神經(jīng)網(wǎng)絡(luò)，具有較少的參數(shù)和計(jì)算復(fù)雜度特點(diǎn)，從而在計(jì)算效率和檢測性能方面取得顯著的優(yōu)越性，更適用于邊緣計(jì)算場景進(jìn)行高效推斷。這是因?yàn)镸obileNetV3大量使用了深度可分離卷積（DSC）模塊，如圖3所示，通過將卷積操作分解為深度卷積（DW）和逐點(diǎn)卷積（PW），顯著減少了卷積核的數(shù)量，該模塊在深度卷積階段通過對(duì)每個(gè)通道并行操作，后續(xù)利用逐點(diǎn)卷積階段再進(jìn)行線性組合，進(jìn)而有效地減少特征提取的計(jì)算復(fù)雜度和模型參數(shù)，并保持相對(duì)較好的特征表示能力。

1.2.2 倒殘差結(jié)構(gòu)

在傳統(tǒng)的殘差結(jié)構(gòu)中，輸人特征圖經(jīng)過一系列卷積操作后，再與原始輸入相加得到輸出，這種結(jié)構(gòu)整體呈現(xiàn)為兩端大、中間小的沙漏型。而MobileNetV3網(wǎng)絡(luò)模型中大量使用倒殘差結(jié)構(gòu)，在倒殘差結(jié)構(gòu)中對(duì)輸入特征圖先進(jìn)行擴(kuò)張，其次再進(jìn)行一個(gè)深度可分離卷積，然后通過逐點(diǎn)卷積將通道數(shù)調(diào)節(jié)至原始輸人大小，最后與原始輸人特征圖相加得到輸出。這種結(jié)構(gòu)整體呈現(xiàn)為兩端小、中間大的梭形結(jié)構(gòu)，這種方式與殘差網(wǎng)絡(luò)結(jié)構(gòu)相反，故稱為倒殘差結(jié)構(gòu)（圖4）。

倒殘差結(jié)構(gòu)通過在通道擴(kuò)張后再進(jìn)行深度可分離卷積，將計(jì)算成本降低到較低的程度，從而在輕量級(jí)網(wǎng)絡(luò)中實(shí)現(xiàn)高效的特征提取，后續(xù)加人通道注意力（SE）模塊[19]，提高網(wǎng)絡(luò)對(duì)重要區(qū)域的關(guān)注度。綜上所述，將MobileNetV3網(wǎng)絡(luò)結(jié)構(gòu)融人YOLOv5s中，不僅提高了計(jì)算效率，還增強(qiáng)了模型對(duì)目標(biāo)的感知能力和表達(dá)能力，從而在自標(biāo)檢測任務(wù)中取得顯著的優(yōu)越性。這一改進(jìn)后YOLOv5s模型更適用于移動(dòng)端和嵌入式設(shè)備，為實(shí)際應(yīng)用場景中的目標(biāo)檢測提供更為靈活和高效的解決方案。

1.3 損失函數(shù)改進(jìn)

損失函數(shù)是用來衡量目標(biāo)網(wǎng)絡(luò)檢測模型預(yù)測信息與期望信息的差距，預(yù)測結(jié)果越接近期望結(jié)果，則損失函數(shù)的值就越小。YOLOv5s使用GIoU損失函數(shù)[20]，在IoU_LOSS損失函數(shù)的基礎(chǔ)上增添包含真實(shí)框與預(yù)測框的最小外接矩形作為真實(shí)目標(biāo)框。檢測框損失函數(shù)如式（1）所示。

?

式中： Loss_GloU 檢測框損失函數(shù)；IoU- 預(yù)測框與真實(shí)框交集面積與并集面積比值的絕對(duì)值；AR 預(yù)測框面積；BR 真實(shí)框面積；CR 最小外接矩形面積。

在GIoU損失函數(shù)中，真實(shí)框與預(yù)測框距離趨近于重合時(shí)，GIoU損失函數(shù)趨近于1；當(dāng)真實(shí)框與預(yù)測框逐漸分離時(shí)，GIoU損失函數(shù)的值趨近2；當(dāng)預(yù)測框與真實(shí)框互相包含或重合時(shí)，此時(shí)無法區(qū)分兩者之間的真實(shí)位置關(guān)系，導(dǎo)致邊界框回歸收斂速度緩慢?？紤]到上述問題，SIoU損失函數(shù)考慮了真實(shí)框和預(yù)測框之間的角度、距離與形狀的損失，重新定義損失函數(shù)。本文主要檢測樹干標(biāo)記點(diǎn)在搖振過程中的振動(dòng)量，但由于被檢測物為小目標(biāo)，在非結(jié)構(gòu)環(huán)境中極易出現(xiàn)目標(biāo)丟失、雜物遮擋等復(fù)雜情況，使用SIoU損失函數(shù)能更快速地定量評(píng)估邊界框回歸損失，進(jìn)一步提高檢測算法的檢測精度和收斂速度[21]。定義如式（2）～式（5）所示。

?

?

式中： ? 角度損失；? 距離損失；? 形狀損失；λ 真實(shí)框與預(yù)測框中心點(diǎn)連線的水平夾角的正弦值；Y 角度損失系數(shù)，其值為 2-Λ ρ_t 預(yù)測框在 x 與 y 方向上的距離損失系數(shù)；w h ——預(yù)測框的寬和高；θ —形狀損失的權(quán)重系數(shù)；ω_t （20號(hào) 預(yù)測框的形狀損失系數(shù)。

1.4 網(wǎng)絡(luò)模型檢測端改進(jìn)

為實(shí)現(xiàn)對(duì)高幀視頻流的目標(biāo)檢測任務(wù)，需要進(jìn)一步提升算法的檢測速度。若要實(shí)現(xiàn)對(duì)樹干共振頻率的實(shí)時(shí)檢測，需快速地檢測到標(biāo)記點(diǎn)在每一幀圖像中的位置坐標(biāo)信息，并通過對(duì)標(biāo)記點(diǎn)坐標(biāo)信息進(jìn)行計(jì)算處理，可實(shí)時(shí)輸出樹干標(biāo)記點(diǎn)的最大振動(dòng)幅度。

YOLOv5s的目標(biāo)檢測端包含一些卷積層、池化層和全連接層等，主要負(fù)責(zé)對(duì)骨干網(wǎng)絡(luò)提取的特征圖進(jìn)行多尺度目標(biāo)檢測。YOLOv5s的檢測端模塊采用多層級(jí)特征融合的方法，首先將骨干網(wǎng)絡(luò)輸出的特征圖經(jīng)過普通卷積模塊進(jìn)行通道數(shù)的降維和特征圖的縮放，然后再將不同層級(jí)的特征圖進(jìn)行融合，得到更加豐富的特征信息，從而提高檢測性能。實(shí)驗(yàn)發(fā)現(xiàn)，由于YOLOv5s的檢測端大量使用普通卷積模塊，進(jìn)行特征融合時(shí)會(huì)占用大量GPU內(nèi)存，同時(shí)會(huì)降低算法檢測速度，無法滿足核桃樹干共振頻率檢測的實(shí)時(shí)性。因此，本文以提高圖像檢測速度為目標(biāo)對(duì)檢測端進(jìn)行輕量化改進(jìn)，使用深度可分離卷積模塊替換檢測端中的普通卷積模塊，在僅犧牲小部分檢測性能的前提下，大幅提升算法的推斷速度的同時(shí)降低網(wǎng)絡(luò)模型的參數(shù)量，符合樹干共振頻率檢測的應(yīng)用場景需求。

2 實(shí)驗(yàn)數(shù)據(jù)獲取

所采集的實(shí)驗(yàn)數(shù)據(jù)均來自新疆喀什地區(qū)葉城縣核桃種質(zhì)資源圃，位于葉城縣洛克鄉(xiāng)，東經(jīng) 77.6^° ，北緯37.8^° 。圖像采集時(shí)間為2023年7月10—15日。核桃果園的核桃樹每列間距 5m ，每行間距 8m ，樹齡為10～15 年。在核桃園中共計(jì)采集5000幅有效圖像，圖像采集設(shè)備為IQOO8手機(jī)，感應(yīng)器為IMX一766圖像感應(yīng)器，并用高幀相機(jī)拍攝樹干標(biāo)記點(diǎn)的高幀視頻，從中抽幀1000幅圖像用于擴(kuò)充數(shù)據(jù)集以提高泛化性能，樹干標(biāo)記點(diǎn)圖像數(shù)據(jù)集的具體分類如表1所示。

表1標(biāo)記點(diǎn)數(shù)據(jù)集數(shù)量Tab.1Number of labeled point datasets

?

3 實(shí)驗(yàn)與分析

3.1實(shí)驗(yàn)環(huán)境參數(shù)與評(píng)價(jià)指標(biāo)

模型訓(xùn)練階段的實(shí)驗(yàn)環(huán)境為Windows10操作系統(tǒng)，CPU為i7—10875H，GPU為NVIDIARTX4070Ti—32G 。訓(xùn)練環(huán)境為基于Pytorch1.13.1的深度學(xué)習(xí)框架，GPU加速庫為Cuda12.0、Cudnn8.9.3，編程語言為Python3.7。采用早停機(jī)制優(yōu)化訓(xùn)練過程，在模型訓(xùn)練過程中，當(dāng)模型性能不再提升時(shí)立刻停止訓(xùn)練并保存最優(yōu)權(quán)重，防止模型過擬合。為衡量改進(jìn)前后YOLOv5s模型的性能效果，采用深度學(xué)習(xí)中常見的評(píng)價(jià)指標(biāo)，即平均精度 mAP 、精確度 P 、召回率 R ，計(jì)算如式 （6）～ 式（8）所示。

?

?

?

式中： TP 真正例；FP 假正例；FN （20 假反例；k 第 k 個(gè)類別；N 檢測樣本類別數(shù)量。

3.2 消融實(shí)驗(yàn)

為驗(yàn)證本文對(duì)YOLOv5s網(wǎng)絡(luò)模型的每處改進(jìn)是否具有積極的效果，開展消融實(shí)驗(yàn)，通過對(duì)比分析每一步改進(jìn)后網(wǎng)絡(luò)模型的各評(píng)價(jià)指標(biāo)的變化情況，對(duì)結(jié)果進(jìn)行分析評(píng)價(jià)，進(jìn)而判斷網(wǎng)絡(luò)模型改進(jìn)策略是否對(duì)網(wǎng)絡(luò)模型有積極的意義。

在消融實(shí)驗(yàn)中，M表示替換骨干網(wǎng)絡(luò)為MobileNetV3，MS表示在M上添加SIoU損失函數(shù)，MSH表示在MS基礎(chǔ)上進(jìn)一步改進(jìn)檢測端，消融實(shí)驗(yàn)結(jié)果如表2所示?？梢钥闯?，在相同的實(shí)驗(yàn)條件下，改進(jìn)后的網(wǎng)絡(luò)模型對(duì)樹干標(biāo)記點(diǎn)的識(shí)別效果最為理想。相比于YOLOv5s模型，改進(jìn)后的算法對(duì)單幅圖像檢測速度和模型參數(shù)量有明顯提升，分別提高52.6% 、降低 72.4% ，模型有明顯的輕量化改進(jìn)，實(shí)時(shí)檢測性能獲得有效提升。值得注意的是，在改進(jìn)檢測端后，模型參數(shù)量降低 41.5% ，而模型檢測精度和mAP僅下降 0.32% 和 0.5% ，在可接受范圍之內(nèi)，但也表明這一步優(yōu)化方案的改進(jìn)效果可能存在消極影響，后續(xù)將在實(shí)際檢測圖中證明模型是否具備在田間多因素干擾環(huán)境下準(zhǔn)確識(shí)別被檢測物的能力。

表2消融實(shí)驗(yàn)結(jié)果 Tab.2Ablation experimental results

?

由表3可知，在同等實(shí)驗(yàn)條件下，改進(jìn)后的YOLOv5s算法mAP提升 2.09% ，說明在加人SIoU損失函數(shù)后，網(wǎng)絡(luò)模型能夠有效地從復(fù)雜背景下準(zhǔn)確識(shí)別樹干標(biāo)記點(diǎn)，盡管改進(jìn)YOLOv5s算法的 mAP 稍低于FasterR—CNN模型，但在單幅圖像檢測速度遠(yuǎn)勝于FasterR—CNN模型，且模型參數(shù)量僅占FasterR-CNN模型的 1.4% 。根據(jù)消融實(shí)驗(yàn)與網(wǎng)絡(luò)模型性能對(duì)比實(shí)驗(yàn)的結(jié)果表明，所提出的改進(jìn)YOLOv5s算法檢測精度高且足夠輕量化，適合在計(jì)算資源受限的邊緣場景中應(yīng)用，符合田間核桃樹干共振頻率檢測的應(yīng)用場景需求。

表3網(wǎng)絡(luò)模型性能對(duì)比實(shí)驗(yàn)Tab.3Network model performance comparison experiment

?

3.3 檢測效果分析

為驗(yàn)證改進(jìn)后的網(wǎng)絡(luò)模型確實(shí)具備優(yōu)越性能，針對(duì)不同光照條件、雜物遮擋、拍攝角度等圖像分別選擇100幅圖像作為測試集，圖像檢測效果如圖5所示。改進(jìn)后的模型在較復(fù)雜的農(nóng)業(yè)環(huán)境中能準(zhǔn)確地檢測到標(biāo)記點(diǎn)，對(duì)所列舉的干擾因素具有較強(qiáng)的魯棒性，置信度均在 90% 以上，這表明改進(jìn)后模型與核桃果園場景匹配良好，同時(shí)也表明使用SIoU損失函數(shù)后，顯著增強(qiáng)了模型對(duì)標(biāo)記點(diǎn)特征的提取能力。

圖5不同干擾因素下的檢測效果

?

Fig.5Detection effect under different interference factors

在田間非結(jié)構(gòu)環(huán)境下，強(qiáng)弱光照環(huán)境均會(huì)使圖像出現(xiàn)模糊與變形，且雜物遮擋以及不同拍攝角度同樣會(huì)影響標(biāo)記點(diǎn)的檢測效果，標(biāo)記點(diǎn)極易發(fā)生特征丟失。為驗(yàn)證改進(jìn)后YOLOv5s模型在多種復(fù)雜環(huán)境下依舊具有良好的推斷能力，選擇晴天中午、陰天傍晚，不同拍攝角度和雜物遮擋的標(biāo)記點(diǎn)圖像各100幅，并使用3種網(wǎng)絡(luò)模型檢測相同的圖像，如圖6所示。

圖6各干擾因素下模型檢測效果

Fig.6Detection effect of the model under each interference factoi

?

結(jié)果表明，改進(jìn)后的YOLOv5s模型在強(qiáng)光照射、弱光照射、不同拍攝角度以及雜物遮擋干擾因素下均獲得最優(yōu)的檢測速度與置信度，綜合檢測性能明顯高于另外2種網(wǎng)絡(luò)模型，值得注意的是，改進(jìn)后的YOLOv5s模型所獲得的置信度與FasterR—CNN持平，且檢測單幅圖像的速度相較YOLOv5s模型提升超 50% ，耗時(shí)僅約為 9ms ，有力證明本文改進(jìn)策略的可行性。

3.4振動(dòng)采收設(shè)備檢測試驗(yàn)

以自主設(shè)計(jì)的軟軸傳動(dòng)式偏心搖振裝置[22]為基礎(chǔ)，設(shè)計(jì)并搭建一種便攜式核桃樹搖振設(shè)備，可輸出150N，300N，450N，600N 的激振力，使用單片機(jī)控制可實(shí)現(xiàn) 0～30Hz 的頻率調(diào)節(jié)，并搭配高幀相機(jī)，該搖振設(shè)備的簡圖及田間實(shí)際部署如圖7所示。

為驗(yàn)證所提出的樹干共振頻率檢測方法的可行性與可靠性，在核桃搖振設(shè)備上搭載筆記本電腦和高幀相機(jī)開展樹干共振頻率檢測試驗(yàn)，完成對(duì)高幀相機(jī)的標(biāo)定，并將高幀相機(jī)設(shè)置為每秒捕獲200幅圖像。試驗(yàn)對(duì)象為2棵10年樹齡的主干型核桃樹?，F(xiàn)有研究表明，核桃樹的偏心激振方式最適宜的采收頻率為15～25Hz^[3] ，故將激振頻率設(shè)置為 10～25Hz ，激振力設(shè)置為 450N ，激振位置設(shè)置為距地面 1.4m 處，每間隔 1Hz 開展1次激振試驗(yàn)，激振時(shí)間設(shè)置為 20s .同時(shí)在標(biāo)記點(diǎn)的同一高度布置位移傳感器作為對(duì)照試驗(yàn)。樹干共振頻率檢測算法實(shí)時(shí)更新標(biāo)記點(diǎn)在圖像中的最左側(cè)與最右側(cè)位置坐標(biāo)，當(dāng)激振停止后自動(dòng)求取標(biāo)記點(diǎn)的最大水平距離，進(jìn)而映射出標(biāo)記點(diǎn)在世界坐標(biāo)系中的實(shí)際水平位移。

n_i ——第i個(gè)傳感器檢測結(jié)果。

圖8樣本樹共振頻率檢測結(jié)果 Fig. 8Sample tree resonant frequency detection results

?

使用 wrvb01-BT50 維特智能三軸位移傳感器，采樣頻率設(shè)置為 200Hz ，即位移傳感器每秒鐘返回200組數(shù)據(jù)。最終得到的樣本樹共振頻率檢測結(jié)果如圖8所示，詳細(xì)試驗(yàn)數(shù)據(jù)均記錄在表4中，為驗(yàn)證所提非接觸式檢測方法的準(zhǔn)確性，采用均值誤差 δ 作為算法檢測結(jié)果的評(píng)判標(biāo)準(zhǔn)，計(jì)算如式（9）所示。

?

式中： n ——試驗(yàn)次數(shù)；X_i ——算法檢測結(jié)果；

9 9/ 75 / 753 算法檢測 3 算法檢測傳感器檢測 傳感器檢測101214161820222426 101214161820222426頻率/Hz 頻率/Hz（a）樣本樹1 （b）樣本樹2

表4樣本樹1、2樹干振幅檢測數(shù)據(jù)

Tab.4 Trunk amplitude detection data of sample trees 1 and 2

?

由表4可知，針對(duì)樣本樹1，兩種檢測方法均能檢測到樹干所受激振力頻率為 14Hz，24Hz 時(shí)，樹干均產(chǎn)生激烈振動(dòng)，算法檢測到的振幅曲線出現(xiàn)峰值，分別為 7.6mm，8.4mm ，相對(duì)于傳感器檢測結(jié)果，算法檢測結(jié)果的均值誤差 δ 為 0.434mm 。針對(duì)樣本樹2，兩種檢測方法均能檢測到樹干所受激振力頻率為16Hz，21Hz 時(shí)，樹干均產(chǎn)生激烈振動(dòng)，算法檢測到的振幅曲線出現(xiàn)峰值，分別為 4.7mm，6.6mm ，相比于傳感器檢測結(jié)果，算法檢測結(jié)果的均值誤差 δ 為0.245mm 。值得注意的是，算法檢測結(jié)果與傳感器檢測結(jié)果的變化趨勢是高度一致的，這有力地表明所提出的檢測方法切實(shí)可行。在樹干共振頻率檢測結(jié)果中，算法檢測結(jié)果總是稍大于傳感器檢測，這是由于相機(jī)標(biāo)定環(huán)節(jié)存在誤差。

4結(jié)論

提出一種非接觸式核桃樹干共振頻率檢測方法，

通過開展消融實(shí)驗(yàn)與模型對(duì)比實(shí)驗(yàn)，驗(yàn)證所提網(wǎng)絡(luò)模型改進(jìn)策略的可行性，在真實(shí)農(nóng)業(yè)環(huán)境中使用自主設(shè)計(jì)的核桃搖振設(shè)備開展樹干共振頻率檢測試驗(yàn)。

1）消融實(shí)驗(yàn)、與其他模型的對(duì)比實(shí)驗(yàn)以及實(shí)際檢測效果分析表明，改進(jìn)后的YOLOv5s算法對(duì)每幀圖像的平均處理速度提升 52.6% ，僅為 9.20ms ，而模型參數(shù)量降低 72.4% ，平均精度 mAP 提高 2.09%

2）樹干共振頻率檢測試驗(yàn)結(jié)果表明，與位移傳感器檢測結(jié)果相比，非接觸式檢測方法在 10～25Hz 激振頻率下測得的樹干振動(dòng)幅度的均值誤差均低于0.5mm ，且在果園環(huán)境中非接觸式檢測方法安裝便捷、操作方便，檢測效率遠(yuǎn)遠(yuǎn)高于傳感器檢測方法。

參考文獻(xiàn)

[1]許威，尹遜春．振動(dòng)式核桃采摘機(jī)的設(shè)計(jì)與優(yōu)化[J]．林業(yè)機(jī)械與木工設(shè)備，2023，51（5）：66—73.Xu Wei， Yin Xunchun. Design and optimizationofvibrating walnut picker [J]. Forestry Machineryamp;.Woodworking Equipment，2023，51（5）：66-73.

[2] Sarig Y.Mechanizedfruitharvesting：Sitespecificsolutions[J].Information and Technology for SustainableFruit and Vegetable Production，2005，5：237-247.

[3]劉夢飛．核桃采摘機(jī)的設(shè)計(jì)與試驗(yàn)[D]．西安：陜西科技大學(xué)，2015.

[4]林歡，孫磊厚，王二化．我國林果振動(dòng)采收機(jī)發(fā)展應(yīng)用現(xiàn)狀與展望[J].江蘇農(nóng)業(yè)科學(xué)，2021，49（1）：36-42.

[5]陳澤斌．振動(dòng)式林果采收技術(shù)的研究現(xiàn)狀[J]．機(jī)械工程師，2021（1）：21—24.

[6]劉曉晨．小型林果自適應(yīng)振動(dòng)采收方法研究[D]．杭州：浙江理工大學(xué)，2019.

[7]王長勤，許林云，周宏平，等．偏心式林果振動(dòng)采收機(jī)的研制與試驗(yàn)[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28（16）：10—16.Wang Changqin， Xu Linyun， Zhou Hongping， et al.Developmentandexperimentof eccentric-typevibratory harvester for forest-fruits [J]. Transactions ofthe Chinese Society of Agricultural Engineering，2012，28（16）：10—16.

[8]JuniorLGF，da SilvaFM，F(xiàn)erreiraDD，etal.Dynamicbehavior ofcoffee tree branchesduring mechanicalharvest [J]. Computers and Electronics in Agriculture，2020，173：105415.

[9]鄭甲紅，毛俊超，韓冰冰．振動(dòng)式采摘機(jī)振動(dòng)夾持位置的仿真研究[J]．陜西科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，32（1）：142—147.

[10]許林云，劉冠華，周杰，等．用于振動(dòng)采收的有果有葉果樹振動(dòng)模型構(gòu)建[J]．農(nóng)業(yè)工程學(xué)報(bào)，2020，36（11）：1-12.Xu Linyun，Liu Guanhua，Zhou Jie，etal.Construction ofthe vibration model of the fruit trees with fruits and leavesfor vibration harvesting [J]. Transactions of the ChineseSociety of Agricultural Engineering，2020，36（11）：1—12.

[11］李萍．基于振動(dòng)式采收的枸杞跌落損傷機(jī)理及枝條振動(dòng)特性研究［D]．銀川：寧夏大學(xué)，2021.

[12] Wang Y，Wang W，F(xiàn)u H， et al.Detachmentpatterns and impact characteristics of litchi fruit duringvibrational harvesting [J]. Scientia Horticulturae，2022，295：110836.

[13］瞿維，王春耀，王學(xué)農(nóng)，等．受迫振動(dòng)下杏果實(shí)樹枝能量傳遞初探[J]．西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，42（7）：223—227.Qu Wei，Wang Chunyao，Wang Xuenong，et al. Energytransferofapricotfruitbranchunderforcedvibration[J]：Journal of Northwest A amp;F University（Natural Science Edition），2014，42（7）：223—227.

[14] Wang Z，Jin L，Wang S，et al. Apple stem/calyx real-time recognition using YOLOv5 algorithm forfruitautomatic loading system [J]. Postharvest Biology andTechnology，2022，185：111808.

[15］段潔利，王昭銳，鄒湘軍，等．采用改進(jìn)YOLOv5 的蕉穗識(shí)別及其底部果軸定位[J]．農(nóng)業(yè)工程學(xué)報(bào)，2022，38（19）：122—130.Duan Jieli，Wang Zhaorui， Zou Xiangjun，et al.Recognitionofbananas to locate bottom fruit axis using improvedYOLOv5 [J]. Transactions of the Chinese Society ofAgricultural Engineering，2022，38（19）：122—130.

[16]Redmon J. YOLOv3：An incremental improvement [J].arXiv preprint arXiv：1804. 02767，2018.

[17] Bochkovskiy A，Wang C Y，Liao H Y M. YOLOv4：Optimal speed and accuracy of object detection [J].arXivpreprint arXiv：2004.10934，2020.

[18] Yin X，Li W，Li Z， et al. Recognition of grape leafdiseasesusingMobileNetV3anddeep transferlearning [J]. International Journal of Agricultural andBiological Engineering，2022，15（3）：184－194.

[19]Hu J， Shen L， Sun G. Squeeze-and-excitation networks [C].ProceedingsoftheIEEEConference onComputerVision and Pattern Recognition，2018：7132—7141.

[20] Liu X，Hu J，Wang H，et al. Gaussian-IoU loss：Betterlearningforboundingboxregressionon PCBcomponent detection [J].Expert Systems withApplications，2022，190：116178.

[21]呂石磊，盧思華，李震，等．基于改進(jìn)YOLOv3—LITE輕量級(jí)神經(jīng)網(wǎng)絡(luò)的柑橘識(shí)別方法[J]：農(nóng)業(yè)工程學(xué)報(bào)，2019，35（17）：205-214.LuShilei，LuSihua， LiZhen， etal. Orangerecognition method using improved YOLOv3—LITElightweight neural network [J]. Transactions of theChinese Society of Agricultural Engineering，2019，35（17）：205—214.

[22]許燕，段春旭，王世江，等. 一種軟軸傳動(dòng)偏心激振式核桃收壯里n