基于改进YOLOv5s模型的茶叶嫩芽识别方法

S21; 现有的目标检测算法检测茶叶嫩芽的精度较低,为提高茶叶嫩芽的检测精度,该研究提出一种基于改进YOLOv5s网络模型的茶叶嫩芽检测算法.该算法将骨干特征提取网络中的空间金字塔池化结构(spatial pyramid pooling-fast,SPPF)替换为空洞空间卷积池化金字塔结构(atrous spatial pyramid pooling,ASPP),增强模型对不同分辨率下目标的识别能力;针对茶叶嫩芽的小目标特征,在颈部网络中引入可加权重的双向特征金字塔网络(bidirectional feature pyramid network,BiFPN),提高特征融合的效率,同时在颈部网络...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 39; no. 12; pp. 150 - 157
Main Authors 王梦妮, 顾寄南, 王化佳, 胡甜甜, 方新领, 潘知瑶
Format Journal Article
LanguageChinese
Published 江苏大学机械工程学院,镇江,212013 01.06.2023
Subjects
deep learning
identification
识别
YOLOv5s
深度学习
目标检测
tea buds
object detection
茶叶嫩芽
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.202303099

Cover

More Information
Summary:S21; 现有的目标检测算法检测茶叶嫩芽的精度较低,为提高茶叶嫩芽的检测精度,该研究提出一种基于改进YOLOv5s网络模型的茶叶嫩芽检测算法.该算法将骨干特征提取网络中的空间金字塔池化结构(spatial pyramid pooling-fast,SPPF)替换为空洞空间卷积池化金字塔结构(atrous spatial pyramid pooling,ASPP),增强模型对不同分辨率下目标的识别能力;针对茶叶嫩芽的小目标特征,在颈部网络中引入可加权重的双向特征金字塔网络(bidirectional feature pyramid network,BiFPN),提高特征融合的效率,同时在颈部网络中的每个集中综合卷积模块(concentrated-comprehensive convolution block,C3)后添加卷积注意力模块(convolutional block attention module,CBAM)来提高模型关注小目标特征的能力.试验结果表明,改进后获得的Tea-YOLOv5s比原模型的准确率(precision,P)、召回率(recall,R)和平均精度值(mean average precision,mAP)分别高出4.4、0.5和4.0个百分点,且模型鲁棒性强,在多个场景下茶叶嫩芽的检测中具有更高的置信度分数.改进后的模型可为茶叶的产量估计和茶叶采摘机器人的嫩芽识别奠定基础.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.202303099