基于改进YOLOv5s的质谱实验仪器机械臂样品盘检测优化

摘要

针对质谱实验仪器机械臂在抓取待检测样品的识别技术中提高识别的准确率和速度以及降低系统成本问题，提出一种基于改进YOLOv5s的质谱实验仪器机械臂自动识别检测方法。首先，引入CA注意力机制，可以加强对样品盘图像的特征学习和特征提取，同时减弱样品表面背景对检测结果的影响，特别是与样品盘相似的背景；其次，在原主干网络结构中增加一条从浅层特征图直接连接到深层的路径，以增强模型对小目标物体的检测能力；最后，将原有的C3模块替换成DSConv模块，减小模型的复杂度并保持其准确性。实验结果表明，在自定义数据集中，最终相比于YOLOv5s，改进模型的参数量和运算量有所增加，检测精度显著提升。在Common Objects in Context(COCO)公共数据集中，改进的模型取得0.723的mAP精度，检测性能显著优于对比模型；模型权重大小仅为20.2 MB，实时处理速度为35.81 FPS，具备轻量化与实时检测优势。

关键词

质谱实验仪器 / 机械臂 / 改进YOLOv5s / CA / 目标检测