用于复杂环境下果蔬检测的改进YOLOv5算法研究

摘要：

针对不同光照,遮挡重叠,大视场等复杂环境下,自动采摘机器人无法快速准确地识别果蔬目标的问题,提出一种用于复杂环境下果蔬检测的改进YOLOv5(You Only Look Once v5)算法.首先,在主干网络Backbone中的CBL模块中嵌入卷积注意力机制(Convolutional Block Attention Module,CBAM),提高目标特征的提取能力.其次,引入完全交并比非极大抑制算法(Complete IOU Non-maximum suppression,CIOU-NMS),考虑长宽边长真实差,提高回归精度.最后,用加权双向特征金字塔网络(Bidirectional Feature Pyramid Network,BiFPN)替换原始YOLOv5的路径聚合网络(PANet),融合多尺度特征提高识别精度和准确率.以苹果为例进行试验,结果表明:改进YOLOv5算法精准率为94.7％,召回率为87％,平均精度为92.5％,相比于原始YOLOv5算法AP提高3.5％,在GPU下的检测时间为11 ms,可以实现复杂情况下的果蔬快速准确识别.

关键词：YOLOv5、果蔬检测、注意力机制、完全交并比、特征金字塔

所属期刊栏目：44

分类号：S225.93:TP391.41(农业机械及农具)

资助基金：云南省教育厅科学研究基金2022Y571

在线出版日期：2023-03-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：185-191