基于YOLOv5s的深度学习在自然场景苹果花朵检测中的应用

作者：尚钰莹; 张倩如; 宋怀波^*

来源：农业工程学报, 2022, 38(09): 222-229.

• 机器视觉
• 苹果花朵
• 检测
• YOLOv5s
• 自然场景

疏花是苹果栽培的重要管理措施，机械疏花是目前最具有发展潜力的疏花方式，花朵的高效检测是疏花机器人高效作业的重要保障。该研究基于机器视觉与深度学习技术，提出了一种基于YOLOv5s深度学习的苹果花朵检测方法，在对田间拍摄得到的苹果花朵图像标注后，将其送入微调的YOLOv5s目标检测网络进行苹果花朵的检测。经测试，模型的精确率为87.70%，召回率为0.94，均值平均精度(mean Average Precision, mAP)为97.20%，模型大小为14.09 MB，检测速度为60.17帧/s，与YOLOv4、SSD和Faster-RCNN模型相比，召回率分别提高了0.07、0.15、0.07,m AP分别提高了8.15、9.75和9.68个百分点，模型大小减小了94.23%、84.54%、86.97%，检测速度提升了126.71%、32.30%、311.28%。同时，该研究对不同天气、颜色和光照情况下的苹果花朵进行检测，结果表明，该模型对晴天、多云、阴天、小雨天气下苹果花朵的检测精确率分别为86.20%、87.00%、87.90%、86.80%，召回率分别为0.93、0.94、0.94、0.94,m AP分别为97.50%、97.30%、96.80%、97.60%。该模型检测白色、粉色、玫红色和红色花朵的精确率分别为84.70%、91.70%、89.40%、86.90%，召回率分别为0.93、0.94、0.93、0.93,m AP分别为96.40%、97.70%、96.50%、97.90%。该模型检测顺光和逆光条件下苹果花朵的精确率分别为88.20%、86.40%，召回率分别为0.94、0.93,m AP分别为97.40%、97.10%。结果表明YOLOv5s可以准确快速地实现苹果花朵的检测，模型具有较高的鲁棒性，且模型较小，更有利于模型的迁移应用，可为疏花器械的发展提供一定的技术支持。

• 单位
  西北农林科技大学; 电子工程学院