Real-time detection of fruits in orchard environments is one of crucial techniques for many precision agriculture applications, including yield estimation and automatic harvesting. Due to the complex conditions, such as different growth periods and occlusion among leaves and fruits, detecting fruits in natural environments is a considerable challenge. A rapid citrus recognition method by improving the state-of-the-art You Only Look Once version 4 (YOLOv4) detector is proposed in this paper. Kinect V2 camera was used to collect RGB images of citrus trees. The Canopy algorithm and the K-Means++ algorithm were then used to automatically select the number and size of the prior frames from these RGB images. An improved YOLOv4 network structure was proposed to better detect smaller citrus under complex backgrounds. Finally, the trained network model was used for sparse training, pruning unimportant channels or network layers in the network, and fine-tuning the parameters of the pruned model to restore some of the recognition accuracy. The experimental results show that the improved YOLOv4 detector works well for detecting different growth periods of citrus in a natural environment, with an average increase in accuracy of 3.15% (from 92.89% to 96.04%). This result is superior to the original YOLOv4, YOLOv3, and Faster R-CNN. The average detection time of this model is 0.06 s per frame at 1920 × 1080 resolution. The proposed method is suitable for the rapid detection of the type and location of citrus in natural environments and can be applied to the application of citrus picking and yield evaluation in actual orchards.

中文翻译：

---

使用改进的YOLOv4在果园环境中检测柑橘

果园环境中水果的实时检测是许多精确农业应用的关键技术之一，包括产量估算和自动收获。由于复杂的条件，例如不同的生长期和叶片和果实之间的阻塞，在自然环境中检测果实是一项巨大的挑战。本文提出了一种通过改进最新的仅查看一次版本4（YOLOv4）检测器的快速柑橘识别方法。Kinect V2相机用于收集柑橘树的RGB图像。然后使用Canopy算法和K-Means ++算法从这些RGB图像中自动选择先前帧的数量和大小。提出了一种改进的YOLOv4网络结构，以在复杂背景下更好地检测较小的柑橘。最后，训练后的网络模型用于稀疏训练，修剪网络中不重要的通道或网络层以及微调修剪模型的参数以恢复某些识别精度。实验结果表明，改进的YOLOv4检测器可以很好地检测自然环境中柑橘的不同生长期，其准确度平均提高了3.15％（从92.89％提高到96.04％）。此结果优于原始的YOLOv4，YOLOv3和Faster R-CNN。在1920×1080分辨率下，该模型的平均检测时间为每帧0.06 s。该方法适用于自然环境中柑橘类型和位置的快速检测，可用于实际果园中柑橘的采摘和产量评估。修剪网络中不重要的通道或网络层，并微调修剪模型的参数以恢复某些识别精度。实验结果表明，改进的YOLOv4检测器可以很好地检测自然环境中柑橘的不同生长期，其准确度平均提高了3.15％（从92.89％提高到96.04％）。此结果优于原始的YOLOv4，YOLOv3和Faster R-CNN。在1920×1080分辨率下，该模型的平均检测时间为每帧0.06 s。该方法适用于自然环境中柑橘类型和位置的快速检测，可用于实际果园中柑橘的采摘和产量评估。修剪网络中不重要的通道或网络层，并微调修剪模型的参数以恢复某些识别精度。实验结果表明，改进的YOLOv4检测器可以很好地检测自然环境中柑橘的不同生长期，其准确度平均提高了3.15％（从92.89％提高到96.04％）。此结果优于原始的YOLOv4，YOLOv3和Faster R-CNN。在1920×1080分辨率下，该模型的平均检测时间为每帧0.06 s。该方法适用于自然环境中柑橘类型和位置的快速检测，可用于实际果园中柑橘的采摘和产量评估。并对微调模型的参数进行微调，以恢复一些识别精度。实验结果表明，改进的YOLOv4检测器可以很好地检测自然环境中柑橘的不同生长期，其准确度平均提高了3.15％（从92.89％提高到96.04％）。此结果优于原始的YOLOv4，YOLOv3和Faster R-CNN。在1920×1080分辨率下，该模型的平均检测时间为每帧0.06 s。该方法适用于自然环境中柑橘类型和位置的快速检测，可用于实际果园中柑橘的采摘和产量评估。并对微调模型的参数进行微调，以恢复一些识别精度。实验结果表明，改进的YOLOv4检测器可以很好地检测自然环境中柑橘的不同生长期，其准确度平均提高了3.15％（从92.89％提高到96.04％）。此结果优于原始的YOLOv4，YOLOv3和Faster R-CNN。在1920×1080分辨率下，该模型的平均检测时间为每帧0.06 s。该方法适用于自然环境中柑橘类型和位置的快速检测，可用于实际果园中柑橘的采摘和产量评估。实验结果表明，改进的YOLOv4检测器可以很好地检测自然环境中柑橘的不同生长期，其准确度平均提高了3.15％（从92.89％提高到96.04％）。此结果优于原始的YOLOv4，YOLOv3和Faster R-CNN。在1920×1080分辨率下，该模型的平均检测时间为每帧0.06 s。该方法适用于自然环境中柑橘类型和位置的快速检测，可用于实际果园中柑橘的采摘和产量评估。实验结果表明，改进的YOLOv4检测器可以很好地检测自然环境中柑橘的不同生长期，其准确度平均提高了3.15％（从92.89％提高到96.04％）。此结果优于原始的YOLOv4，YOLOv3和Faster R-CNN。在1920×1080分辨率下，该模型的平均检测时间为每帧0.06 s。该方法适用于自然环境中柑橘类型和位置的快速检测，可用于实际果园中柑橘的采摘和产量评估。