基于改进YOLOv5s的复杂环境下新梅检测方法

作     者：董耿耿 陈小康 樊湘鹏 周建平 姜宏 崔超 DONG Genggeng;CHEN Xiaokang;FAN Xiangpeng;ZHOU Jianping;JIANG Hong;CUI Chao

作者机构：新疆大学机械工程学院乌鲁木齐830049 中国农业科学院农业信息研究所北京100081 新疆维吾尔自治区农牧机器人及智能装备工程研究中心乌鲁木齐830049 

出 版 物：《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)

年 卷 期：2024年第40卷第14期

页      面：118-125页

核心收录：

学科分类：082804[工学-农业电气化与自动化] 08[工学] 0828[工学-农业工程] 

基　　金：自治区科技计划项目-天山创新团队计划项目(2022D14002) 

主　　题：图像处理 模型 新梅检测 YOLOv5s 注意力机制 双向特征金字塔 深度学习 

摘      要：为解决新梅在树干树叶遮挡、果实重叠情况下难以准确检测的问题,该研究建立了新梅目标检测模型SFFYOLOv5s。在真实果园环境下构建新梅数据集,以YOLOv5s模型作为基础网络,首先在Backbone骨干网络C3模块中引入CA(coordinate attention)注意力机制以增强模型对新梅关键特征信息的提取能力并减少模型的参数量;其次在Neck层中引入加权双向特征金字塔网络,增强模型不同特征层之间的融合能力,从而提高模型的平均精度均值;最后使用SIoU损失函数替换原模型中的CIoU损失函数提高模型的检测准确率。试验结果表明,SSF-YOLOv5s模型对新梅检测准确率为93.4%,召回率为92.9%,平均精度均值为97.7%,模型权重仅为13.6MB,单幅图像平均检测时间12.1ms,与Faster R-CNN、YOLOv3、YOLOv4、YOLOv5s、YOLOv7、YOLOv8s检测模型相比平均精度均值分别提升了3.6、6.8、13.1、0.6、0.4、0.5个百分点,能够满足果园复杂环境下对新梅进行实时检测的需求,为后续新梅采摘机器人的视觉感知环节提供了技术支持。