基于轻量化YoloV5的谷穗实时检测方法

Study on real-time detection method of grain earhead based on lightweight YoloV5

针对复杂谷田场景中谷穗密集、尺寸较小且遮挡严重的情况,适用于此环境的目标检测模型要求较高算力,在移动设备上实现谷穗实时检测存在困难等问题,本研究提出一种基于YoloV5的轻量化谷穗实时检测方法。将YoloV5s的主干特征提取网络替换成具有注意力机制的MobilenetV3轻量化模型,采用在多特征融合检测结构增加微尺度检测层,后处理使用Merge-NMS算法,将不同改进方法重构的模型在自建的谷穗数据集上进行训练和测试。结果表明,本研究改进的模型平均检测精度达到97.78%,F1分数为94.20%,模型大小仅为7.56 MB,每幅图像的平均检测时间为0.023 s,与经典目标检测模型比较,表现出较强的鲁棒性和泛化能力。本研究改进的轻量化YoloV5谷穗检测模型能克服复杂环境的影响,显著提高谷穗在密集分布及遮挡条件下的检测效果,为移动设备上实现谷穗实时检测提供技术参考。