农业机械学报

作者：宋怀波，王亚男，王云飞，吕帅朝，江梅

单位：西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,西北农林科技大学,

关键词：油茶果;自然场景;目标检测;YOLO v5s;深度学习;数据增强

基金：国家重点研发计划项目(2019YFD1002401)和国家自然科学基金项目(31701326)

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3296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12.7ms，模型占内存空间为14.08MB。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。

来源：2022年第7期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2022年第7期