面向复杂田间收获作业的轻量化三七目标检测方法

S220.1; 针对目前三七检测算法在复杂田间收获工况下检测精度低、模型复杂度大、移动端部署难等问题,该研究提出一种基于YOLOv5s的轻量化三七目标检测方法.首先,采用GSConv卷积方法替换原始颈部网络的传统卷积,引入Slim-neck轻量级颈部网络,降低了模型复杂度,同时提升了模型精度;其次,使用ShuffleNetv2轻量型特征提取网络对主干网络进行轻量化改进,提升了模型实时检测性能,并采用角度惩罚度量的损失(SIoU)优化边界框损失函数,提升了轻量化后的模型精度和泛化能力.试验结果表明,改进后的PN-YOLOv5s模型参数量、计算量、模型大小分别为原YOLOv5s模型的46.65％、...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 40; no. 8; pp. 133 - 143
Main Authors 王法安, 何忠平, 张兆国, 解开婷, 房汉玉
Format Journal Article
LanguageChinese
Published 昆明理工大学现代农业工程学院,昆明 650500 01.04.2024
昆明理工大学机电工程学院,昆明 650500%黑龙江佳木斯汤原县农业技术推广中心,佳木斯 154000
云南省高校中药材机械化工程研究中心,昆明 650500%云南省高校中药材机械化工程研究中心,昆明 650500
Subjects
复杂收获作业工况
三七
YOLOv5s
Panax Notoginseng
目标检测
complex harvesting conditions
object detection
神经网络
neural network
轻量化
lightweight
Online AccessGet full text

Cover

More Information
Summary:S220.1; 针对目前三七检测算法在复杂田间收获工况下检测精度低、模型复杂度大、移动端部署难等问题,该研究提出一种基于YOLOv5s的轻量化三七目标检测方法.首先,采用GSConv卷积方法替换原始颈部网络的传统卷积,引入Slim-neck轻量级颈部网络,降低了模型复杂度,同时提升了模型精度;其次,使用ShuffleNetv2轻量型特征提取网络对主干网络进行轻量化改进,提升了模型实时检测性能,并采用角度惩罚度量的损失(SIoU)优化边界框损失函数,提升了轻量化后的模型精度和泛化能力.试验结果表明,改进后的PN-YOLOv5s模型参数量、计算量、模型大小分别为原YOLOv5s模型的46.65％、34.18％和48.75％,检测速度提升了 1.2倍,A值较原始模型提升了 0.22个百分点,平均精度均值达到了 94.20％,较原始模型低 0.6 个百分点,与 SSD、Faster R-CNN、YOLOv4-tiny、YOLOv7-tiny 和 YOLOv8s模型相比能够更好地平衡检测精度与速度,检测效果更好.台架试验测试结果表明,4种输送分离作业工况下三七目标检测的准确率达90％以上,F1值达86％以上,平均精度均值达87％以上,最低检测速度为105帧/s,实际收获工况下模型的检测性能良好,可为后续三七收获作业质量实时监测与精准分级输送提供技术支撑.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.202401138