基于改进YOLOv5s的自然环境下油桃成熟度检测方法

成熟度是影响水果产量和品质的关键因素,为实现对自然环境下油桃成熟度的高效检测,提出一种改进YOLOv5s模型的检测方法。首先,将原始模型颈部的特征金字塔结构替换成BiS特征金字塔结构,从而提高模型对成熟度特征的融合和提取能力;然后,利用QFocal Loss损失函数将目标边界框估计与分类评分整合在一起,从而解决训练样本中正负样本比例失衡的问题;最后,将CIoU-NMS作为模型的非极大值抑制方法,提升模型对遮挡和重叠果实的检测效果。在自制的油桃果实数据集上试验结果表明,改进后的YOLOv5s-BQC模型mAP值达到91.7%,比原模型提升2.3%,精确度和召回率分别也提升0.9%和0.7%。相较其他主流模型,具有更好的检测性能,能够在复杂背景中准确定位油桃果实,进行成熟度分类,满足油桃成熟度实时检测的要求,为农业监测和智能采摘提供技术支持。