基于YOLOv5s的深度学习在自然场景苹果花朵检测中的应用.pdfVIP

第 38 卷 第 9 期 农 业 工 程 学 报 Vol.38 No.9 222 2022 年 5 月 Transactions of the Chinese Society of Agricultural Engineering May 2022 基于 YOLOv5s 的深度学习在自然场景苹果花朵检测中的应用 ※ 尚钰莹，张倩如，宋怀波 （1. 西北农林科技大学机械与电子工程学院， 杨凌 712100 ；2. 农业农村部农业物联网重点实验室，杨凌 712100 ； 3. 陕西省农业信息感知与智能服务重点实验室，杨凌 712100 ） 摘 要：疏花是苹果栽培的重要管理措施，机械疏花是目前最具有发展潜力的疏花方式，花朵的高效检测是疏花机器人 高效作业的重要保障。该研究基于机器视觉与深度学习技术，提出了一种基于 YOLOv5s 深度学习的苹果花朵检测方法， 在对田间拍摄得到的苹果花朵图像标注后，将其送入微调的 YOLOv5s 目标检测网络进行苹果花朵的检测。经测试，模型 的精确率为 87.70%，召回率为0.94 ，均值平均精度(mean Average Precision, mAP)为 97.20%，模型大小为 14.09 MB，检 测速度为 60.17 帧/s ，与YOLOv4 、SSD 和 Faster-RCNN 模型相比，召回率分别提高了 0.07、0.15、0.07 ，mAP 分别提高 了 8.15、9.75 和 9.68 个百分点，模型大小减小了 94.23%、84.54%、86.97%，检测速度提升了 126.71%、32.30%、311.28% 。 同时，该研究对不同天气、颜色和光照情况下的苹果花朵进行检测，结果表明，该模型对晴天、多云、阴天、小雨天气 下苹果花朵的检测精确率分别为 86.20%、87.00%、87.90%、86.80%，召回率分别为 0.93、0.94、0.94、0.94 ，mAP 分别 为 97.50%、97.30%、96.80%、97.60% 。该模型检测白色、粉色、玫红色和红色花朵的精确率分别为 84.70%、91.70%、 89.40%、86.90%，召回率分别为0.93、0.94、0.93、0.93 ，mAP 分别为 96.40%、97.70%、96.50%、97.90% 。该模型检测 顺光和逆光条件下苹果花朵的精确率分别为 88.20%、86.40%，召回率分别为 0.94、0.93 ，mAP 分别为 97.40%、97.10% 。 结果表明 YOLOv5s 可以准确快速地实现苹果花朵的检测，模型具有较高的鲁棒性，且模型较小，更有利于模型的迁移应 用，可为疏花器械的发展提供一定的技术支持。 关键词：机器视觉；苹果花朵；检测；YOLOv5s ；自然场景 doi ：10.11975/j.issn.1002-6819.2022.09.024 中图分类号：TP391.4 文献标志码：A 文章编号：1002-6819(2022)-09-0222-08 尚钰莹，张倩如，宋怀波. 基于 YOLOv5s的深度学习在自然场景苹果花朵检测中的应用[J]. 农业工程学报，2022，38(9)： 222-229. doi ：10.11975/j.issn.1002-6819.2022.09.024