基于YOLOv5s的轻量级茶叶嫩芽终端检测模型
A lightweight tea buds terminal detection model based on YOLOv5s作者机构:华中师范大学物理科学与技术学院湖北武汉430079 湖北恩施学院智能工程学院湖北恩施445000 湖北民族大学智能科学与工程学院湖北恩施445000
出 版 物:《浙江农业学报》 (Acta Agriculturae Zhejiangensis)
年 卷 期:2024年第36卷第6期
页 面:1413-1424页
学科分类:1305[艺术学-设计学(可授艺术学、工学学位)] 13[艺术学] 082804[工学-农业电气化与自动化] 08[工学] 0828[工学-农业工程] 081104[工学-模式识别与智能系统] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程]
基 金:国家自然科学基金地区科学基金项目(61961017) 湖北恩施学院研究生联合培养项目(KYYL202304) 湖北省中央引导地方科技发展专项(ZYYD2022000156) 湖北省恩施州科技计划(D20220004)
摘 要:在茶园环境中快速精准识别茶叶嫩芽是实现智能化采茶的关键技术之一,但茶芽检测模型的复杂性导致模型参数量大、计算量大、模型尺寸大,限制了模型在采茶机器人嵌入式设备的部署。鉴于此,本文提出一种基于YOLOv5s的轻量级茶叶嫩芽终端检测模型。首先,使用轻量级网络GhostNet替换YOLOv5s中的Backbone网络,并重构Neck网络,降低模型的参数量、计算量和内存占用量,改进后的模型分别降低了47.64%、49.36%、45.51%。其次,通过引入协调注意力(coordinate attention,CA)机制,抑制图像背景信息,增强模型对茶叶嫩芽的特征提取能力。接着,在Neck网络引入多尺度特征融合(multi-scale context,MSC)模块,有效融合浅层图像特征和深层语义特征,帮助网络模型提取有效识别信息。最后,使用边界框回归损失函数EIOU替换CIOU,加快损失函数收敛速度,提高茶叶嫩芽边界框定位精度。试验结果表明,与原YOLOv5s模型相比,改进模型的参数量、计算量以及模型内存占用量分别降低了3 Mb、7.3 Gb和6.37 Mb,检测精度提升0.3%。通过模型转换将该模型移植到树莓派平台,经过环境部署和推理引擎加速,达到了轻量级模型在资源和算力有限的树莓派上对茶叶嫩芽检测的目的,在一定程度上提高了茶叶嫩芽的识别精确度,为茶叶嫩芽的智能化采摘提供了理论研究和技术支持。