基于改进Tiny-YOLOv5l算法的串型番茄定位与计数

摘要：

目的:提高串型番茄分拣效率,减少误检、错检.方法:采集串型番茄图像数据集,通过数据增强扩充数据并提高模型的泛化性能,将YOLOv5l框架内的Bottleneck层中的3×3卷积替换为改进的SVM-MHSA层,通过将MHSA中softmax分类函数替换为更适用于串型番茄的SVM分类函数;将检测框架中剩余3×3卷积替换为深度可分离卷积,引入随机纠正线性单元提高网络训练收敛速度.结果:改进后的Tiny-YOLOv5l模型可有效实现串型单果识别定位、整串果实计数,检测框损失率由1.48％ 降低至1.34％,目标损失率由1.98％降低至1.73％,置信度损失降低了1.4％,精度由97.36％提升至98.89％,召回率由97.35％提升至98.56％.结论:Tiny-YOLOv5l算法更加精准且兼具轻量化,面对遮挡、背景干扰、光照变化、虚化等挑战具有较高的识别准确率,可为产后串型番茄分拣人员提供准确的单果位置信息以及整串果实数量信息.

关键词：深度学习、分类函数、串型番茄、复杂场景

所属期刊栏目：38

分类号：TN911.72;TP391;S127

资助基金：北京市科技计划;北京市农林科学院院创新能力建设项目;北京市农林科学院院创新能力建设项目

在线出版日期：2023-03-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：79-86