基于YOLO v5s的自然场景油茶果识别方法

作者：宋怀波; 王亚男; 王云飞; 吕帅朝; 江梅

来源：农业机械学报, 2022, 53(07): 234-242.

• 油茶果
• 自然场景
• 目标检测
• YOLO v5s
• 深度学习
• 数据增强

针对油茶果体积小、分布密集、颜色多变等特点，为实现自然复杂场景下油茶果的快速精准定位，并依据果实的疏密分布，确定恰当的自动振荡采收装置夹持位置，利用YOLO v5s卷积神经网络模型，开展了自然环境下油茶果图像检测方法研究，用3 296幅油茶果图像制作PASCAL VOC的数据集，对网络进行了150轮训练，得到的最优权值模型准确率为90.73%,召回率为98.38%,综合评价指标为94.4%,平均检测精度为98.71%,单幅图像检测时间为12.7 ms,模型占内存空间为14.08 MB。与目前主流的一阶检测算法YOLO v4-tiny和RetinaNet相比，其精确率分别提高了1.99个百分点和4.50个百分点，召回率分别提高了9.41个百分点和10.77个百分点，时间分别降低了96.39%和96.25%。同时结果表明，该模型对密集、遮挡、昏暗环境和模糊虚化情况下的果实均能实现高精度识别与定位，具有较强的鲁棒性。研究结果可为自然复杂环境下油茶果机械采收及小目标检测等研究提供借鉴。

• 单位
  电子工程学院; 西北农林科技大学