|本期目录/Table of Contents|

[1]刘忠意,魏登峰,李萌,等.基于改进YOLO v5的橙子果实识别方法[J].江苏农业科学,2023,51(19):173-181.
　Liu Zhongyi,et al.Orange fruit recognition method based on improved YOLO v5[J].Jiangsu Agricultural Sciences,2023,51(19):173-181.
点击复制

基于改进YOLO v5的橙子果实识别方法(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第51卷
期数:
2023年第19期
页码:
173-181
栏目:
农业工程与信息技术
出版日期:
2023-10-05

文章信息/Info

Title:
Orange fruit recognition method based on improved YOLO v5
作者:
刘忠意; 魏登峰; 李萌; 周绍发; 鲁力; 董雨雪
长江大学计算机科学学院，湖北荆州 434000
Author(s):
Liu Zhongyi; et al
关键词:
YOLO v5; 橙子识别; RepVGG; 损失函数; ECA注意力; 鬼影混洗卷积
Keywords:
-
分类号:
TP391.41
DOI:
-
文献标志码:
A
摘要:
针对自然环境下橙子检测存在枝叶遮挡、相邻果实重叠等情况而导致检测效果差的问题，提出一种改进的YOLO v5方法。首先，在主干网络部分使用RepVGG(re-param VGG)模块替换原始C3模块，加强网络对特征信息的提取能力；其次，在颈部网络使用鬼影混洗卷积(ghost-shuffle convolution)代替原有的标准卷积，能够在保证精度的前提下，降低模型参数量；再次，在预测头前加入ECA(efficient channel attention)注意力模块，能够更加准确定位目标信息；最后，引入EIOU(efficient intersection over union)损失函数加速预测框的收敛，提高其回归精度。改进的YOLO v5网络在自然环境下的橙子检测中平均精度达到90.1%，相比于目前热门的检测网络CenterNet、YOLO v3和YOLO v4其在识别效果方面有一定的提升。可见，所提出的改进网络在橙子检测上更有优势，能为今后智能采摘机器人的研发提供理论支撑和技术参考。
Abstract:
-

参考文献/References:

［1］Gao J B，Dai S H，Huang J J，et al. Kiwifruit detection method in orchard via an improved light-weight YOLO v4［J］. Agronomy，2022，12(9)：2081.
［2］Hussin R，Juhari M R，Kang N W，et al. Digital image processing techniques for object detection from complex background image［J］. Procedia Engineering，2012，41：340-344.
［3］Payne A B，Walsh K B，Subedi P P，et al. Estimation of mango crop yield using image analysis-Segmentation method［J］. Computers and Electronics in Agriculture，2013，91：57-64.
［4］孙建桐，孙意凡，赵然，等. 基于几何形态学与迭代随机圆的番茄识别方法［J］. 农业机械学报，2019，50(增刊1)：22-26，61.
［5］Parvathi S，Tamil S S.Detection of maturity stages of coconuts in complex background using Faster R-CNN model［J］. Biosystems Engineering，2021，202：119-132.
［6］Tian Y N，Yang G D，Wang Z，et al. Apple detection during different growth stages in orchards using the improved YOLO-V3 model［J］. Computers and Electronics in Agriculture，2019，157：417-426.
［7］Chen W K，Lu S L，Liu B H，et al. CitrusYOLO：a algorithm for Citrus detection under orchard environment based on YOLO v4［J］. Multimedia Tools and Applications，2022，81(22)：31363-31389.
［8］Wang C Y，Liao H Y M，Wu Y H，et al. CSPNet：a new backbone that can enhance learning capability of CNN［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. Seattle，2020：1571-1580.
［9］李刚，齐铭伟，张飞扬，等. 基于RepVGG-YOLOv4的焦罐提升机状态检测［J］. 工业控制计算机，2022，35(6)：43-45.
［10］高梦圆，马双宝，董玉婕，等. 基于实例分割苹果采摘机器人视觉定位与检测［J］. 江苏农业科学，2022，50(3)：201-208.
［11］Li H L，Li J，Wei H B，et al. Slim-neck by GSConv：a better design paradigm of detector architectures for autonomous vehicles［DB/OL］. ArXiv(Computer Science).(2022-06-06)［2022-12-29］. https：//arxiv.org/vc/arxiv/papers/2206/2206.02424v1.pdf.
［12］张欣怡，张飞，郝斌，等. 基于改进YOLO v5的口罩佩戴检测算法［J/OL］. 计算机工程.(2022-12-08)［2022-12-29］. https：//kns.cnki.net/kcms/detail//31.1289.tp.20221207.1007.002.html.
［13］王卓，王健，王枭雄，等. 基于改进YOLO v4的自然环境苹果轻量级检测方法［J］. 农业机械学报，2022，53(8)：294-302.
［14］Wang Q L，Wu B G，Zhu P F，et al. ECA-net：efficient channel attention for deep convolutional neural networks［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Seattle，2020：11531-11539.
［15］Hu J，Shen L，Sun G.Squeeze-and-excitation networks［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake，2018：7132-7141.
［16］Zhang Y F，Ren W Q，Zhang Z，et al. Focal and efficient IOU loss for accurate bounding box regression［J］. Neurocomputing，2022，506：146-157.

相似文献/References:

[1]杜鹏程,蒋笃忠,向阳,等.基于YOLO v5s目标检测算法的烤烟鲜叶成熟度识别方法[J].江苏农业科学,2023,51(19):158.
　Du Pengcheng,et al.Identification method for fresh leaf maturity of flue-cured tobacco based on YOLO v5s target detection algorithm[J].Jiangsu Agricultural Sciences,2023,51(19):158.
[2]李滨,樊健.基于YOLO v5的水稻害虫分类[J].江苏农业科学,2024,52(2):175.
　Li Bin,et al.Classification of rice pests based on YOLO v5[J].Jiangsu Agricultural Sciences,2024,52(19):175.
[3]蔡易南,肖小玲.基于改进YOLO v5n的葡萄叶病虫害检测模型轻量化方法[J].江苏农业科学,2024,52(7):198.
　Cai Yinan,et al.Lightweight method of grape leaf diseases and insect pests detection model based on improved YOLO v5n[J].Jiangsu Agricultural Sciences,2024,52(19):198.
[4]温彬彬,张华,孟祥龙.基于改进YOLO v5的轻量化苹果检测方法[J].江苏农业科学,2024,52(12):217.
　Wen Binbin,et al.A lightweight apple detection method based on improved YOLO v5[J].Jiangsu Agricultural Sciences,2024,52(19):217.
[5]吴坚,秦玉广.基于改进YOLO v5的农田苗草检测方法[J].江苏农业科学,2024,52(13):197.
　Wu Jian,et al.Detection of seedlings and weeds in farmland based on an improved YOLO v5 algorithm[J].Jiangsu Agricultural Sciences,2024,52(19):197.
[6]李炳鑫,宋涛,高婕,等.基于YOLO v5模型的缺钙草莓叶片识别方法[J].江苏农业科学,2024,52(20):74.
　Li Bingxin,et al.Identification method of calcium-deficient strawberry leaves based on YOLO v5 model[J].Jiangsu Agricultural Sciences,2024,52(19):74.
[7]王博,胡蓉华.基于轻量化神经网络的桃树叶片病害检测方法[J].江苏农业科学,2025,53(5):138.
　Wang Bo,et al.A peach leaf disease detection method based on lightweight neural network[J].Jiangsu Agricultural Sciences,2025,53(19):138.

备注/Memo

备注/Memo:
收稿日期：2023-02-02
基金项目：新疆维吾尔自治区创新人才建设专项自然科学计划(自然科学基金)基金项目(编号：2020D01A132)。
作者简介：刘忠意(1999—)，男，湖北黄冈人，硕士研究生，从事深度学习与目标检测研究。E-mail：2021710621@yangtzeu.edu.cn。
通信作者：魏登峰，硕士，副教授，从事计算机网络、软件工程、人工智能研究。E-mail：100933@yangtzeu.edu.cn。
更新日期/Last Update: 2023-10-05