一种基于轻量级改进的YOLOV5茶叶的识别和定位方法
Yuanhong Wang1,2, Jinzhu Lu1,2, Qi Wang1,2
1Modern Agricultural Equipment Research Institute, Xihua University, Chengdu, China.
Frontiers in plant science
|December 13, 2024
概括
这项研究介绍了YOLOV5M-SBSD,一种轻量级的茶叶芽检测模型. 它提高了识别精度,并大大减少了智能茶叶采摘机器人的模型尺寸和计算负载.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
背景情况:
- 手动采摘茶叶面临着智能化,标准化和效率方面的挑战,阻碍了高质量的茶叶行业的可持续发展.
- 目前的茶叶芽检测模型需要大量的计算资源,限制了它们在茶叶采摘机器人的部署.
- 对于检测茶叶芽和机器人收获的高效和轻量级智能技术有着至关重要的需求.
研究的目的:
- 为智能茶叶采摘机器人开发一种轻量级的茶叶芽检测模型 (YOLOV5M-SBSD).
- 为了解决现有的茶叶芽检测模型中高硬件要求的局限性.
- 提高在现实世界茶园环境中部署先进AI模型的可行性.
主要方法:
- 建立了Fuding白茶芽图像数据集.
- 用轻量级的ShuffleNetV2网络取代了YOLOV5的骨干.
- 使用CARAFE优化了升级采样,结合了BiFPN进行特征融合,并添加了SimAm注意力机制.
主要成果:
- 在茶蕾数据集上,YOLOV5M-SBSD实现了88.7%的识别精度和93.1%的平均精度.
- 模型尺寸减少了82.89%,Params和GFlops分别减少了83.7%和85.6%.
- 与原始YOLOV5M和其他主流模型相比,证明了更高的检测精度和效率.
结论:
- YOLOV5M-SBSD模型可以显著降低计算负载和硬件依赖.
- 为在天然茶园中的智能采摘机器人上部署茶叶芽检测模型提供了实用解决方案.
- 对于推进自动化茶叶收获技术具有理论和实际意义.
