基于COF-YOLOv5s的油茶果识别定位

摘要：

针对自然环境下油茶果存在多种类、多遮挡及小目标等问题,该研究基于YOLOv5s提出COF-YOLOv5s(camellia oleifera fruit-you only look once)油茶果识别模型,实现油茶果的高精度检测.通过添加小目标检测层、将FasterNet中的轻量化模块Faster Block嵌入到C3模块及添加Biformer注意力机制对YOLOv5s进行改进.试验结果表明,改进后网络在测试集上的精度、召回率、平均精度均值分别为97.6％、97.8％、99.1％,比YOLOv5s分别提高5.0、7.5、4.4个百分点,推理时间为10.3 ms.将模型部署到Jetson Xavier NX中,结合ZED mini相机进行油茶果识别与定位试验.室内试验得到COF-YOLOv5s的召回率为91.7％,室外绿油茶果的召回率为68.8％,小目标红油茶果在弱光条件下的召回率为64.3％.研究结果可为实现油茶产业的智能化和规模化提供理论支持.

关键词：深度学习、目标检测、油茶果、采收、定位

所属期刊栏目：40

分类号：S24;TP391.4(农业电气化与自动化)

资助基金：国家林业;草原局应急科技项目

在线出版日期：2024-09-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：179-188