基于改进的YOLOv5m的光检测方法,用于收获后番茄表皮缺陷

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 食品科学 食品科学 食品科学

背景情况:

• 番茄的视觉分类受到光滑的皮肤,不均的照明和隐藏的缺陷的挑战.
• 智能检测收获后番茄表皮缺陷可以提高经济价值.

研究的目的:

• 开发一种智能系统,用于检测收获后番茄表皮缺陷.
• 提高番茄质量分级的准确性和效率.

主要方法:

• 设计了一种光成像设备,用于捕获番茄皮肤缺陷数据集.
• 通过整合卷积块注意力模块和可切换的心房卷积来改进YOLOv5m模型.
• 通过比较和废弃实验评估模型的性能.

主要成果:

• 改进的YOLOv5m模型实现了89.93%的精度,82.33%的回忆率和87.57%的平均精度.
• 在检测准确度方面表现优于YOLOv5m,更快的R-CNN和YOLOv7.
• 每张图片的平均检测时间减少了47.04毫秒.

结论:

• 光成像和改进的YOLOv5m模型有效地检测各种番茄表皮缺陷,包括不可察觉的缺陷.
• 为智能番茄检测和质量分类提供了强大的技术支持.