基于改進YOLOv5n的腐敗水果檢測模型
電子技術應用
彭靖翔，張榮芬，劉宇紅
貴州大學 大數據與信息工程學院
摘要： 為了實現多種水果在采摘后自動化篩選和分揀中腐敗水果識別的問題，提出了改進的YOLOv5n模型，命名為mobile-YOLO。首先將YOLOv5n的主干網絡替換為MobileNetV3并引入深度可分離卷積，相較于原模型，這種改進在計算效率和速度上都有所提升，并且準確率也得到了提高。為了進一步提升速度，將C3模塊替換為C2f模塊，實現輕量化的同時獲得了更豐富的梯度流信息。最后將原有的CIoU替換為α-CIoU，以加快收斂速度并保證圖像框位置的準確性。mobile-YOLO相較于原始的YOLOv5n，[email protected]（mean Average Precision）達到了98.1%，[email protected]：.95達到了94.2%，同時在P（Precision）值為97.1%和R（Recall）值為96.8%的情況下，參數量幾乎與YOLOv5n保持一致。
中圖分類號：TP391.4 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.245040
中文引用格式： 彭靖翔，張榮芬，劉宇紅. 基于改進YOLOv5n的腐敗水果檢測模型[J]. 電子技術應用，2024，50(12)：55-60.
英文引用格式： Peng Jingxiang，Zhang Rongfen，Liu Yuhong. Corrupt fruit detection model based on improved YOLOv5n[J]. Application of Electronic Technique，2024，50(12)：55-60.
中文引用格式： 彭靖翔，張榮芬，劉宇紅. 基于改進YOLOv5n的腐敗水果檢測模型[J]. 電子技術應用，2024，50(12)：55-60.
英文引用格式： Peng Jingxiang，Zhang Rongfen，Liu Yuhong. Corrupt fruit detection model based on improved YOLOv5n[J]. Application of Electronic Technique，2024，50(12)：55-60.
Corrupt fruit detection model based on improved YOLOv5n
Peng Jingxiang，Zhang Rongfen，Liu Yuhong
School of Big Data and Information Engineering， Guizhou University
Abstract： To address the issues of automated sorting and classification of various fruits post-harvest, particularly in the identification of decayed fruits, this paper introduces an enhanced model derived from YOLOv5n, denominated as mobile-YOLO. The initial modification involves replacing the backbone network of YOLOv5n with MobileNetV3 and incorporating depth-wise separable convolutions. This enhancement results in improved computational efficiency and speed compared to the original model, accompanied by an elevation in accuracy．
Key words : decayed fruits；MobileNetV3；depth-wise separable convolutions；edge devices；YOLOv5n
引言
水果在中國農業中具有重要地位，為農民提供穩定的收入來源。鄧瑞等[1]提出了一種基于輕量版YOLOv5s的水果檢測方法，該方法在TI Sitara平臺上實際測試的檢測速率為23 F/s，平均精度均值為89%，能夠滿足無人水果售貨系統對商品檢測精度和實時性的要求。羅家梅等[2]提出了基于YOLOv5的水果品質檢測與分類方法，可以檢測出蘋果、橘子、香蕉和梨4種水果。容仕軍[3]提出了自然場景下樹上果實檢測小樣本學習方法，可以檢測百香果、蘋果和柑橘3種水果，提高小樣本條件下樹上果實的檢測性能，該方法也具備良好的泛化能力，可以有效提高檢測精確率。葉舒銘等[4]提出了基于機器視覺的橙子缺陷檢測，解決了橙子在生長、采摘、運輸的過程中受到害蟲侵擾、環境影響、碰撞摩擦因素引起的表面損傷及腐爛問題。張杰等[5]提出了基于注意力機制的水果損傷檢測及分類，以ResNet34作為主干網絡，并在此基礎上引入注意力機制SE和CBAM模塊來實現水果損傷的檢測和基本分類，但是模型過于龐大無法在邊緣端實時檢測。徐印赟等[6]為使水果采摘機器人在復雜情況下（如樹葉遮擋、果實目標尺度變化大等）能準確地檢測出水果，改進YOLO及NMS的水果目標檢測。
本文基于改進的YOLOv5n模型實現對腐敗水果的智能化檢測，以便在水果成熟期及時發現并清除腐敗水果，從而減少損失。在工業化采摘的地區，快速檢測腐敗水果以確保及時剔除，也能減輕人力壓力。
本文詳細內容請下載：
http://www.rjjo.cn/resource/share/2000006248
作者信息：
彭靖翔，張榮芬，劉宇紅
（貴州大學 大數據與信息工程學院，貴州 貴陽 550000）
此內容為AET網站原創，未經授權禁止轉載。