基于改进YOLOv5m的采摘机器人苹果采摘方式实时识别

作者：闫彬; 樊攀; 王美茸; 史帅旗; 雷小燕; 杨福增^*

来源：农业机械学报, 2022, 53(09): 28-59.

• 苹果
• 采摘机器人
• YOLOv5m
• 采摘方式识别
• 视觉引导
• 深度学习

为准确识别果树上的不同苹果目标，并区分不同枝干遮挡情形下的果实，从而为机械手主动调整位姿以避开枝干对苹果的遮挡进行果实采摘提供视觉引导，提出了一种基于改进YOLOv5m面向采摘机器人的苹果采摘方式实时识别方法。首先，改进设计了BottleneckCSP-B特征提取模块并替换原YOLOv5m骨干网络中的BottleneckCSP模块，实现了原模块对图像深层特征提取能力的增强与骨干网络的轻量化改进；然后，将SE模块嵌入到所改进设计的骨干网络中，以更好地提取不同苹果目标的特征；进而改进了原YOLOv5m架构中输入中等尺寸目标检测层的特征图的跨接融合方式，提升了果实的识别精度；最后，改进了网络的初始锚框尺寸，避免了对图像里较远种植行苹果的识别。结果表明，所提出的改进模型可实现对图像中可直接采摘、迂回采摘(苹果上、下、左、右侧采摘)和不可采摘果实的识别，识别召回率、准确率、mAP和F1值分别为85.9%、81.0%、80.7%和83.4%。单幅图像的平均识别时间为0.025 s。对比了所提出的改进算法与原YOLOv5m、YOLOv3和EfficientDet-D0算法在测试集上对6类苹果采摘方式的识别效果，结果表明，所提出的算法比其他3种算法识别的mAP分别高出了5.4、22、20.6个百分点。改进模型的体积为原始YOLOv5m模型体积的89.59%。该方法可为机器人的采摘手主动避开枝干对果实的遮挡，以不同位姿采摘苹果提供技术支撑，可降低苹果的采摘损失。

• 单位
  电子工程学院; 黄土高原土壤侵蚀与旱地农业国家重点实验室; 西北农林科技大学