基于改进的YOLOv5的轻量级茶叶芽检测方法
Kun Zhang1, Bohan Yuan2, Jingying Cui1
1College of Physics and Electronic Engineering, Xinyang Normal University, Xinyang, 464000, China.
Scientific reports
|December 29, 2024
概括
这项研究引入了一种轻量级的茶叶芽检测模型,使用修改后的YOLOv5,提高智能茶叶采摘机器人的准确性和效率. 改进的模型提供了减少的参数和操作,同时提高了检测性能.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 自动茶叶摘对于提高茶叶生产的效率和准确性至关重要.
- 目前智能拾取系统的移动部署面临着由于计算资源限制的挑战.
研究的目的:
- 开发一种轻量级的茶叶芽识别模型,用于智能茶叶采摘.
- 为了提高挑选精度和劳动效率,同时降低移动终端的部署压力.
主要方法:
- 修改了YOLOv5架构,将EfficientNetV2作为骨干.
- 在子网络中集成Ghost模块 (ghost卷积,C3ghost),以减少参数.
- 实施CARAFE上样模块,以提高特征聚合和检测精度.
主要成果:
- 在茶叶芽检测方面获得了85.79%的平均精度.
- 与原来的YOLOv5.5相比,模型参数减少了40.94%和浮点操作减少了68.15%.
- 轻量化设计将平均精度提高了1.67%的点.
结论:
- 拟议的轻量级YOLOv5模型有效地检测茶叶芽,提高效率和减少计算负载.
- 这项研究为开发先进的智能茶机器人提供了理论基础.
- 该模型在茶叶射击检测方面表现出优异的性能,与其他YOLO系列算法相比.


