基于YOLOv5的马铃薯种薯芽眼轻量化检测算法

为了实现种薯芽眼的精准检测,方便后续实现马铃薯种薯的智能化切块,该研究提出一种基于深度学习一阶段目标检测算法YOLO的种薯芽眼检测改进模型。改进后的模型在YOLOv5检测模型基础上引入C3 Faster,降低参数量的同时加强了芽眼特征的提取能力;引入GOLD-YOLO中信息聚集-分发结构,提高模型检测芽眼的准确性;使用WIoU Loss代替CIoU Loss作为边界框损失函数,加快网络模型收敛的同时提高检测精度;使用遗传算法对超参数进行优化;最后使用剪枝与蒸馏技术,降低模型运行参数量与运行内存。优化后的模型大小为8.7 MB,仅为原始模型的61.3%,模型参数量约为原始模型的57.1%,最终的检测平均精确度在自制的种薯数据集中的测试集与验证集上分别为90.5%以及90.1%,该改进模型于自制种薯数据集的测试集上相较同类型的轻量级网络YOLOv7-tiny、YOLOv8n、YOLOv5n、YOLOv5s,平均精度均值分别高出0.5、1.3、2.8、1.1个百分点,在验证集上平均精度均值分别高出2.9、1.9、3.2、1.6个百分点,在本地计算机上检测速度达到了27.5帧/s,该研究结果可为后续种薯芽眼识别及实时切块技术提供参考。