基于改进YOLOv5s的轻量化金银花识别方法

摘要：

为提高金银花采摘机器人的工作效率和采摘精度,实现将模型方便快速部署到移动端,该研究提出一种基于改进YOLOv5s的轻量化金银花识别方法.用EfficientNet的主干网络替换YOLOv5s的Backbone层,并在改进之后的Backbone层加入原YOLOv5s的SPPF特征融合模块,减少了模型的参数量和计算量,同时降低模型权重的大小,便于之后移动端的部署;其次,为提高模型对于金银花的识别效果,该研究在Neck层中用CARAFE上采样模块替换原始模型中的上采样模块,在略微提高参数量的前提下提高了模型识别金银花的精确度和平均精度,提高了采摘效率.试验结果显示,改进后的轻量化模型参数量仅为 3.89×106 M,为原始YOLOv5s模型的 55.5%;计算量仅为 7.8 GFLOPs,为原始模型的 49.4%;权重仅为 7.8 MB,为原始模型的 57.4%,并且精确度和平均精度达到了 90.7%和 91.8%,相比原始YOLOv5s模型分别提高 1.9和 0.6个百分点.改进后的轻量化模型与当前主流的Faster-RCNN、SSD、YOLO系列目标检测模型相比,不但提高了检测精度,还大幅减少了模型的参数量、计算量和权重大小,研究结果为后续金银花采摘机器人的识别和移动端的部署提供了参考和依据.

关键词：目标检测、模型、YOLOv5s、EfficientNet、轻量化、金银花采摘

所属期刊栏目：39

分类号：TP391.4(计算技术、计算机技术)

资助基金：江苏大学农业装备学部重点项目NZXB20210104

在线出版日期：2023-08-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：192-200