自然环境下黄绿柑橘检测通用模型的构建

作者：杨国; 黄文静; 朱洪前^*; 丁键; 任会; 李丹; 肖恒玉; 胡涛

来源：林业工程学报, 2022, 7(05): 134-141.

DOI：10.13360/j.issn.2096-1359.202112031

• 自然环境
• 柑橘检测
• 深度学习
• Faster R-CNN
• YOLOv5s

柑橘存在黄色和绿色两种颜色特征，自然环境下柑橘目标检测困难。深度学习在目标检测领域已经实现了实时检测，基于深度学习进行柑橘检测，探索了两种颜色特征的柑橘检测通用模型。建立了自然环境下柑橘的图像数据集，采用3种深度学习检测模型：基于VGG16的Faster R-CNN、基于Resnet的Faster R-CNN以及YOLOv5s,分别对自然环境下的黄色和绿色柑橘进行对比试验。试验表明：对于黄色柑橘，YOLOv5s模型检测方法在柑橘测试集上的精确率、召回率、F1以及平均精度(AP)分别为91.90%、99.00%、0.94和97.40%,平均检测速度为27帧/s;对于绿色柑橘，YOLOv5s模型检测方法在柑橘测试集上的精确率、召回率、F1以及AP分别为96.50%、98.00%、0.96和97.20%,平均检测速度为32帧/s。YOLOv5s与基于VGG16的Faster R-CNN模型及基于Resnet的Faster R-CNN模型相比：对于黄色柑橘，平均精度分别提高了45.51%和41.18%,平均检测速度分别提高了22和23帧/s;对于绿色柑橘，平均精度分别提高了4.38%和4.13%,平均检测速度分别提高了25和26帧/s。结果表明，对于两种颜色特征的柑橘，YOLOv5s检测模型通用性更好，检测速度更快，更适用于柑橘检测研究。

• 单位
  中南林业科技大学; 江苏护理职业学院