基于改进YOLOv5对果园环境中李的识别

摘要

为提高果园中高遮挡和密集的李（Prunus salicina Lindl.）的检测精度，提出一种改进YOLOv5s模型，在促进模型轻量化的同时提高模型对李的检测精度。首先，使用新的结构Focus-Maxpool模块替换主干网络中的下采样卷积，使改进模型在下采样时能够保留更多高遮挡目标和小目标的特征信息。其次，使用focal loss和交叉熵函数的加权损失作为改进模型的分类损失，提升改进模型对粘连目标的识别能力。最后，设计若干组检测试验来评价改进模型的性能。结果显示，改进YOLOv5s模型的平均精度优于YOLOv5s、YOLOv4、Faster-RCNN、SSD和Centernet；与YOLOv5s模型的检测结果相比，改进YOLOv5s模型的平均精度、召回率和精度分别提高2.84、9.53和1.66百分点，检测速度可达到91.37帧/s，能够满足实时检测需求。研究结果表明，改进的YOLOv5s模型在真实果园环境下具有较高的检测精度和鲁棒性。

关键词

李 / 机械采摘 / 果实识别 / YOLOv5 / 图像处理 / 注意力机制 / 目标检测