基于YOLOv5改进模型的杂交稻芽种快速分级检测

作     者：钟海敏 马旭 李泽华 王曦成 刘赛赛 刘伟文 王承恩 林泳达 ZHONG Haimin;MA Xu;LI Zehua;WANG Xicheng;LIU Saisai;LIU Weiwen;WANG Cheng’en;LIN Yongda

作者机构：华南农业大学数学与信息学院广东广州510642 华南农业大学工程学院广东广州510642 农业农村部华南热带智慧农业技术重点实验室广东广州510642 华南农业大学电子工程学院广东广州510642 

出 版 物：《华南农业大学学报》 (Journal of South China Agricultural University)

年 卷 期：2023年第44卷第6期

页      面：960-967页

核心收录：

学科分类：08[工学] 09[农学] 0901[农学-作物学] 081202[工学-计算机软件与理论] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(52175226) 岭南现代农业实验室科研项目(N T 2021009) 广东省科技厅项目(KTP20210196) 现代农业产业技术体系建设专项(CARS-01-47) 

主　　题：深度学习 YOLOv5s 分级检测 注意力机制 杂交稻 种子活力 

摘      要：【目的】提高杂交稻种子活力分级检测精度和速度。【方法】提出了一种基于YOLOv5改进模型(YOLOv5-I)的杂交稻芽种快速分级检测方法,该方法引入SE(Squeeze-and-excitation)注意力机制模块以提高目标通道的特征提取能力,并采用CIoU损失函数策略以提高模型的收敛速度。【结果】YOLOv5-I算法能有效实现杂交稻芽种快速分级检测,检测精度和准确率高,检测速度快。在测试集上,YOLOv5-I算法目标检测的平均精度为97.52%,平均检测时间为3.745 ms,模型占用内存空间小,仅为13.7 MB;YOLOv5-I算法的检测精度和速度均优于YOLOv5s、Faster-RCNN、YOLOv4和SSD模型。【结论】YOLOv5-I算法优于现有的算法,提升了检测精度和速度,能够满足杂交稻芽种分级检测的实用要求。