基于改进YOLOv5的水果识别分类算法

摘要

在水果种类检测技术中，尽管深度学习已展现出其强大的识别能力，但其在检测速度和准确度上仍有提升空间。为解决这一问题，提出了一种改进的深度学习模型——YOLOv5s-R模型。该模型创新性地将RepLKNet网络结构融入YOLOv5s模型的输出端C3模块，构建了RepLKNet模块，从而显著提升了模型的整体性能。此外，为了增强对小目标的检测能力，模型还特别增加了小目标预测层。同时，引入了一种新的SIoU损失函数，优化了边框回归过程，加快了模型的收敛速度。在测试集上，YOLOv5s-R模型目标检测的查准率、平均精度分别为93.1%、94.8%，识别速度达到78帧/s。与原YOLOv5s模型，YOLOv5s-R模型目标检测的查准率和平均精度分别提升1.1%、1.2%。这为水果智能化识别分类开发提供理论依据和参考。

关键词

卷积神经网络 / YOLOv5算法 / 水果种类检测

基金资助

广东省基础与应用基础研究基金项目（2023A1515010168,2019A1515010830）; 广东省普通高校重点专项（2022ZDZX1018）; 茂名市科技计划项目（2022S043）; 广东石油化工学院博士启动项目（2019BS001）