基于Yolov5的深度学习神经网络算法设计的番茄采摘机器人检测和定位系统
Jianwei Zhao1,2, Wei Bao3, Leiyu Mo4,5
1Faculty of Mechanical and Electrical Engineering, China University of Mining and Technology (Beijing), Beijing, 100083, China. zhaojianwei@cumtb.edu.cn.
Scientific reports
|February 20, 2025
概括
本研究介绍了一种使用YOLOv5和SGBM的智能采摘系统,用于在温室中准确检测番茄和3D定位. 综合方法提高了农业智能和生产效率.
科学领域:
- 农业工程 农业工程
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 智能采摘对于农业智能和生产效率至关重要.
- 在复杂的环境中,准确地检测和定位像西红这样的作物是具有挑战性的.
研究的目的:
- 开发和验证用于智能农业的番茄检测和定位系统.
- 为了提高在温室中采摘番茄的准确性和效率.
主要方法:
- 使用YOLOv5深度学习算法进行对象检测.
- 集成了SGBM算法用于立体声匹配,以实现3D本地化.
- 应用数据增强技术 (旋转,翻译,CutMix) 和模型培训的热身策略.
主要成果:
- YOLOv5证明了番茄检测的高可行性,达到94.1%的准确性.
- 该系统实现了精确的3D定位,距离测量误差为3-5毫米.
- 对比分析验证了YOLOv5在此任务中优于其他物体检测算法的优势.
结论:
- 拟议的系统有效地整合了深度学习和立体视觉,用于准确的番茄检测和定位.
- 这项技术对提高农业智能和自动化收获过程做出了重大贡献.
