基于YOLO v5-MDC的重度粘连小麦籽粒检测方法

小麦籽粒检测在千粒质量计算及作物育种方面有着重要应用,重度粘连籽粒的有效检测是其关键。本研究设计了一种YOLO v5-MDC的轻量型网络用于重度粘连小麦籽粒检测。该网络在YOLO v5s检测网络的基础上,用混合深度可分离卷积(Mixed depthwise convolutional,MDC)模块进行改进,同时将MDC模块与压缩激励(Squeeze and excitation,SE)模块相结合,以达到在基本不损失模型精度的前提下减少模型参数的目的。YOLO v5-MDC网络将YOLO v5s特征提取网络骨干部分的卷积、归一化、激活函数(Convolution,Batch normal,Hardswish,CBH)模块替换为MDC模块,减少了模型的参数,经过500次迭代训练,模型的精确率P为93.15%,召回率R为99.96%,平均精度均值(mAP)为99.46%。根据模型在测试集上的检测效果,本研究探究了训练次数、不同光源与不同拍摄距离对模型检测结果的影响,统计结果表明,在绿色光源下模型检测精确率最高,为98.00%,在5 cm拍摄高度下图像的检测精确率最高,为98.60%。同时本研究在50次迭代下与YOLO v5s、RetinaNet、YOLO v4网络模型的检测效果进行了对比,结果表明,YOLO v5-MDC的mAP为99.40%,比YOLO v5s模型降低了0.06个百分点,但模型所占存储空间最小,仅为13.4 MB,比YOLO v5s模型减少了0.6 MB,对于单幅图像的最大检测时间为0.08 s,平均检测时间为0.03 s。综上,本研究所设计模型能有效实现重度粘连小麦籽粒的检测,同时模型检测效率高,所占存储小,可为小麦籽粒检测嵌入式设备研发提供技术支持。