基于YOLOv5+的苹果检测算法研究及嵌入式系统实现.pdfVIP

摘要

近年来，我国是世界上最大的苹果种植国之一，每年成熟的苹果需要耗费大量的

人力物力进行采摘。为了降低这种成本，果园中苹果的采摘逐渐成为计算机视觉领域

的焦点。使用人工智能算法检测苹果目标并实现自动采摘，可以显著降低劳动力成本，

提高采摘效率，对提升果品质量以及推进农业科技创新和发展都具有重要的意义。采

用深度学习算法解决果园中苹果的实时检测问题是本研究的核心内容。首先，通过深

度学习模型准确检测果园中的苹果目标，随后对检测到的苹果进行置信度分析，实现

了对果园环境下苹果目标的准确、实时检测。同时基于嵌入式平台设计了果园苹果检

测系统。本文的主要工作及创新如下：

1

（）深度分析了深度学习基础以及目标检测的相关方法，并在此基础上提出了

一种基于YOLOv5的果园苹果检测算法。首先，详细介绍了深度学习的基础理论知

识，包括卷积、池化、全连接和激活函数等概念，为算法前期奠定了理论基础。随后，

对当下流行的单阶段目标检测算法和双阶段目标检测算法展开了对比研究，并对它们

的网络结构、实现原理和特性进行了分析。在评估现有目标检测算法的优劣点和适用

情境后，确定了YOLOv5算法作为此次研究的目标检测算法。

2YOLOv5

（）提出了一种基于模型的改进方法，以解决原模型在体积和实时性

SEDepthSepConvFast-

方面存在的问题。首先，使用带有注意力机制的模块和改进的

C3模块对YOLOv5的Backbone网络部分进行重组，在保证精度的前提下减少模型

Fast-C3NeckC3

的参数量；其次再用改进的模块，替换整个部分的模块，提高模型

的准确率；接着，采用GhostConv替代了颈部网络中的普通卷积，从而进一步减少了

模型的参数量和体积。最后，引入了SIoU损失函数，以提高预测框的回归精度和收

敛速度。改进后的模型对苹果检测mAP为94%、模型计算量为8.4GFLOPs、体积仅

为7.3M、参数量为3452966。对比YOLOv5原模型，在mAP提高了0.3%的情况下，

计算量降低了46.8%，模型大小缩减了49.3%、参数量减少了50.7%。

3JetsonXavierNX

（）在嵌入式平台上设计了轻量化的果园苹果检测系统。该

系统具备直接对含有苹果目标的图像进行多次检测的能力，同时支持摄像头读取视频

流，并在解码和格式转换后，将其输入经过优化的YOLOv5模型进行推理，从而实

现实时目标检测。该系统部署到嵌入式平台上进行测试，实时检测速率达到了21.76f/s，

1.7

约为原模型检测速率的倍。成功实现了在果园采摘环境下对苹果目标的准确、实

时检测，具备极高的实用价值。

关键词：深度学习；苹果检测；YOLOv5；嵌入式平台

ABSTRACT

Inrecentyears,Chinahasbeenoneofthelargestapplegrowingcountriesintheworld,

andharvestingmatureappleseveryyearrequiresasignificantamountofmanpowerand

materialresources.Inordertoreducethiscost,applepickinginorchardshasgradually

becomeafocusinthefieldofcomputervision.Theuseofartificialintelligencealgorithms

todetectappletarget