基于改进YOLOv5s的复杂环境下新梅检测方法

文献类型： 中文期刊

第一作者： 董耿耿

作者： 董耿耿;陈小康;樊湘鹏;周建平;姜宏;崔超

作者机构：

关键词： 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

期刊名称： 农业工程学报

ISSN： 1002-6819

年卷期： 2024 年 40 卷 014 期

页码： 118-125

收录情况： EI ; 北大核心 ; CSCD

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SFF-YOLOv5s.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.

分类号： S24

  • 相关文献

[1]基于坐标注意力机制与高效边界框回归损失的线虫快速识别. 陆健强,梁效,余超然,兰玉彬,邱洪斌,黄捷伟,尹梓濠,陈慧洁,郑胜杰. 2022

[2]基于RGB图像与深度学习的冬小麦田间长势参数估算系统. 李云霞,马浚诚,刘红杰,张领先. 2021

[3]基于改进YOLOv4-tiny的茶叶嫩芽检测模型. 方梦瑞,吕军,阮建云,边磊,武传宇,姚青. 2022

[4]基于改进YOLOV5s网络的奶牛多尺度行为识别方法. 白强,高荣华,赵春江,李奇峰,王荣,李书琴. 2022

[5]基于YOLOX改进模型的茶叶嫩芽识别方法. 俞龙,黄楚斌,唐劲驰,黄浩宜,周运峰,黄永权,孙佳琪. 2022

[6]基于注意力机制的农业文本命名实体识别. 赵鹏飞,赵春江,吴华瑞,王维. 2021

[7]基于改进YOLO v5复杂场景下肉鹅姿态的检测算法研究. 刘璎瑛,曹晅,郭彬彬,陈慧杰,戴子淳,龚长万. 2023

[8]基于YOLOv5s-SE和通道剪枝的虫咬紫金蝉茶检测方法研究. 戴佳兵,宋春芳,凌彩金,李臻锋,孙崇高. 2024

[9]基于改进DeepLabV3+的梨树冠层分割方法. 陈鲁威,曾锦,袁全春,夏烨,潘健,吕晓兰. 2024

[10]基于深度学习分类模型的4种果树物候期识别. 钟丹,李宗南,王思,黄平,邱霞,蒋怡. 2023

[11]基于TBTA网络的高光谱图像分类. 唐婷,潘新,罗小玲,闫伟红. 2023

[12]基于高光谱成像和Att-BiGRU-RNN的柑橘病叶分类. 吴叶兰,管慧宁,廉小亲,于重重,廖禺. 2023

[13]基于改进YOLOv8n的茶树嫩芽识别. 杨肖委,沈强,罗金龙,张拓,杨婷,戴宇樵,刘忠英,李琴,王家伦. 2024

[14]基于深度卷积神经网络的红树林物种无人机监测研究. 黄亦其,刘琪,赵建晔,黄文善,孙中宇,乔曦. 2020

[15]基于深度卷积神经网络的玉米病害识别. 雷波,曹艳,唐江云,胡亮. 2018

[16]基于VGG-UNet的食用菌菌丝体表型参数自动测量方法. 陈燕,陆嘉豪,胡小春,祁亮亮. 2024

[17]基于深度学习的马铃薯花粉活力快速检测. 夏士轩,耿泽栋,祝光涛,张春芝,李大伟. 2024

[18]多视角深度相机的猪体三维点云重构及体尺测量. 尹令,蔡更元,田绪红,孙爱东,石帅,钟浩杰,梁世豪. 2019

[19]基于深度图像和BP神经网络的肉鸡体质量估测模型. 王琳,孙传恒,李文勇,吉增涛,张翔,王以忠,雷鹏,杨信廷. 2017

[20]无人机机载激光雷达提取果树单木树冠信息. 陈日强,李长春,杨贵军,杨浩,徐波,杨小冬,朱耀辉,雷蕾,张成健,董震. 2020

作者其他论文 更多>>

微信小程序