农业机械学报

作者：张万枝，曾祥，刘树峰，穆桂脂，张弘毅，郭壮壮

单位：山东农业大学,山东农业大学,山东农业大学,山东农业大学,山东农业大学,山东农业大学,

关键词：马铃薯芽眼;目标检测;YOLO v5;深度学习;改进解耦头

基金：山东省薯类产业技术体系农业机械岗位专家项目(SDAIT-16-10)和中国博士后科学基金项目(2020M681690)

芽眼检测是马铃薯种薯智能切块首先要解决的问题，为实现种薯芽眼精准高效检测，提出了一种基于改进YOLO v5s的马铃薯种薯芽眼检测方法。首先通过加入CBAM注意力机制，加强对马铃薯种薯芽眼图像的特征学习和特征提取，同时弱化与芽眼相似的马铃薯种薯表面背景对检测结果的影响。其次引入加权双向特征金字塔BiFPN增加经骨干网络提取的种薯芽眼原始信息，为不同尺度特征图赋予不同权重，使得多尺度特征融合更加合理。最后替换为改进的高效解耦头Decoupled Head区分回归和分类，加快模型收敛速度，进一步提升马铃薯种薯芽眼检测性能。试验结果表明，改进YOLO v5s模型准确率、召回率和平均精度均值分别为93.3%、93.4%和95.2%；相比原始YOLO v5s模型，平均精度均值提高3.2个百分点，准确率、召回率分别提高0.9、1.7个百分点；不同模型对比分析表明，改进YOLO v5s模型与Faster R-CNN、YOLO v3、YOLO v6、YOLOX和YOLO v7等模型相比有着较大优势，平均精度均值分别提高8.4、3.1、9.0、12.9、4.4个百分点。在种薯自动切块芽眼检测试验中，改进YOLO v5s模型平均召回率为91.5%，相比原始YOLO v5s模型提高17.5个百分点。本文方法可为研制马铃薯种薯智能切块芽眼识别装置提供技术支持。

来源：2023年第9期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2023年第9期