摘要
茶叶是我国重要的经济作物，其产值普遍高于其他农作物。茶叶种植面积广阔，种类繁多，按照加工工艺的不同，可将其归为六大类：绿茶、红茶、白茶、乌龙茶、黄茶和黑茶。其中绿茶和黄茶是使用茶叶嫩芽制作，需要在采摘时即时处理。由于茶园面积通常十分广阔，地形和气候条件具有很大差异，导致出芽数量和速度均不相同。因此，需要在最佳采摘时间内进行采摘，以避免芽头过少或过多而导致茶叶经济效益不佳。目前大部分的茶园通常通过人力评估和雇人巡山来解决采茶及时性的问题，浪费了大量人力成本。为了解决这个问题，本研究旨在提供智慧茶园和农业现代化技术支持，通过使用无人机巡山来降低农民的工作量，减少生产合作社生产成本，提高生产效益。 本研究以四川省雅安市雨城区合江镇万亩茶园的茶叶嫩芽为研究对象，采用改进的YOLOv5模型对采集的茶叶图片进行嫩芽的检测，旨在帮助茶农更好地管理和利用茶园资源，推动茶叶产业的发展。主要研究内容如下： （1）构建复杂背景环境下的茶叶嫩芽图像数据集。因研究所用茶叶嫩芽图片没有任何公开的数据集，故进行人工采集。采集距离茶树15cm-25cm茶叶嫩芽视频，通过抽帧切片生成原始图片数据集，共采集2898张原始茶叶嫩芽图像。为了解决原始图像质量不佳的问题，采用Tenengrad梯度函数去除模糊图像，同时利用SSIM（结构相似度量）去除相似度高的图片。去除部分图片后，由于数据集数量较少，采用数据增强方法进行扩充至6242张。 （2）研究主流的目标检测模型对茶叶嫩芽检测效果。采用Faster-RCNN、SSD以及YOLOv5s基础模型对茶叶嫩芽进行学习与训练，实验结果显示，传统检测模型对复杂背景下茶叶嫩芽的检测存在漏检误检，YOLOv5s模型相较之下检测精度和速度较好，并对YOLOv5的s、m、l、x四种模型大小进行对比实验，为了解决漏检和误检问题，最终选择对YOLOv5s模型进行优化改进。 （3）提出一种基于改进YOLOv5模型的茶叶嫩芽检测方法。本文对YOLOv5s进行了优化，包括使用Adam优化器和LabelSmoothing标签平滑，引入卷积注意力模块CBAM来提高模型定位能力并增加对茶叶嫩芽的关注度，以及使用改进的WiseIOU损失函数算法来增强模型的泛化能力。实验结果表明，本文提出的改进算法在茶叶嫩芽的检测效果上最优，平均精度均值（mAP）达到了87.04%。分别与FasterR-CNN、SSD和YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x主流网络模型相比，其平均检测精度分别提高了15.6%、21.2%、2.4%、1.7%、1.2%和0.7%。 （4）设计并实现基于Web的茶叶嫩芽检测系统。该系统旨在为茶农提供一种便捷、高效、准确的茶叶嫩芽检测解决方案。用户可以通过Web页面查看茶园检测的图像，并获取该茶园检测出的茶叶嫩芽个数，从而便于用户进行茶园管理和决策。
NETL