基于改进YOLOv5n的多种蔬菜轻量化识别方法研究

摘要

[目的]本文旨在解决大部分蔬菜采摘机器人只能针对某一特定蔬菜进行采摘以及检测模型对移动端和嵌入式设备要求高的问题。[方法]以大众蔬菜辣椒、黄瓜、豆角为研究对象，提出了一种基于改进YOLOv5n的多种蔬菜识别轻量化模型——YOLOv5n＿C3＿Faster＿Rep Conv＿MGD模型。该模型首先将YOLOv5n的骨干网络（Backbone）中的C3模块替换为更为轻量化的C3＿Faster模块，以提升模型的图像处理速度;其次采用特征提取能力更好的重参数化技术Rep Conv替代原模型颈部网络（Neck）中18、21层的Conv模块，以提高模型的性能和效率;之后采用规范剪枝Groupnorm，删除卷积层中不重要的通道，进一步对模型进行轻量化改进，加快其推理速度;最后采用掩膜生成蒸馏MGD将模型的准确度、召回率、平均精度均值调整到接近剪枝前的水平。[结果]改进后的模型YOLOv5n＿C3＿Faster＿Rep Conv＿MGD准确度、召回率、平均精度均值分别为87.3%、80.1%、86.4%，辣椒、黄瓜、豆角的平均精度均值分别为82.1%、97.8%、79.3%，参数量为2.2 M，帧率达到1 408.5 f·s^-1。与基准模型YOLOv5n相比准确度保持不变，召回率、平均精度均值分别下降4.0和2.6百分点，参数量减少1.7 M，帧率提高355.9 f·s^-1。[结论]本研究所提出的方法在保证模型准确率的前提下，可为多种蔬菜识别模型轻量化技术研究提供参考。

关键词

蔬菜 / YOLOv5n / 轻量化 / 剪枝 / 知识蒸馏 / 图像识别