点云从入门到精通技术详解100篇-橘子自动采摘机视觉识别（续）

目录

3.4 YOLO算法结合MobileNetV3轻量化网络

3.4.1基于YOLO算法改进

3.4.2改进步骤流程

3.5柑橘目标识别的实验及结果分析

3.5.1柑橘样本采集与处理

3.5.2训练步骤流程

3.5.3结果分析与对比

基于ResNet的柑橘成熟度判定

4.1残差网络模型

4.2 ResNet模型结构

4.3训练步骤流程

4.4结果分析与对比

柑橘目标的三维定位

5.1柑橘三维定位方法研究

5.2柑橘双目立体视觉概述

5.2.1相机标定

5.2.2立体校正

5.2.3立体匹配与视差计算

5.2.4深度计算

5.3基于柑橘的双目立体视觉定位

5.3.1相机选型

5.3.2相机标定

5.3.3立体校正、立体匹配和视差计算

5.3.4深度计算与构建点云

---

本文篇幅较长，分为上下两篇，上篇详见橘子自动采摘机视觉识别

3.4 YOLO算法结合MobileNetV3轻量化网络

3.4.1基于YOLO算法改进

YOLO算法作为当前先进的深度学习目标检测算法，已经集合大量技巧，
但仍有提高和改进的空间。由于卷积神经网络的性质，网络层数增加使得性能 更优异。而网络层数的增加虽然使得性能得到提高，但效率却越来越低。模型 的效率是指存储和预测速度的问题，只有解决了存储和速度问题，才能真正应 用到实际场合移动端中。
近年来，移动端对深度学习目标检测算法的需求不断增长，轻量化网络结 构逐渐成为重点研究方向。轻量化网络结构旨在保持准确度不变的情况下提升 了运行速度，降低了对参数量与运算能力的要求，满足嵌