基于改进YOLOv5s的轻量级桃子检测算法

我国是世界上最大的桃子生产国,然而桃子采摘仍然依靠人工采摘,而桃子目标检测技术是实现桃子自动采摘的关键,现有专门针对桃子目标检测的研究较少,且多数使用传统的图像处理与机器学习方法。该文通过深度学习技术,提出一种基于YOLOv5s的桃子检测算法。首先,将轻量化的MobileNetv3网络替换YOLOv5s中的主干网络,其次,选取更高效的注意力机制ECA模块替换MobileNetv3中的注意力模块。在自建桃子数据集上训练结果显示,改进后的算法平均精度达到92.9%,模型计算量仅有原来的12%。实验表明,改进后的模型在保持高精度的同时更轻量化,能够对复杂环境下的桃子进行有效实时检测。