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。

颜色差信息提取耦合圆拟合技术的果树桃子检测算法

机器人在采摘果树桃子果实时,需要从复杂的果树背景中识别出桃子,以此为依据计算出桃子的圆心坐标与半径,传送给机器人系统进行作业,其中果树桃子的准确检测是机器人采摘作业的关键步骤。对此,提出了颜色差信息提取耦合圆拟合技术的果树桃子检测算法。首先利用颜色差信息提取桃子区域;然后基于边界跟踪处理与匹配膨胀处理得到桃子的完整区域;再分别用圆拟合方法计算出桃子的圆心,完成定位检测。该算法的性能测试结果表明:与当前水果检测算法相比,该算法具有更好的检测效果,可准确定位出桃子的目标位置。