为了解决苹果采摘机器人识别算法中涉及到的复杂网络架构及大量参数占用内存巨大、计算需求庞大所导致的检测模型反应缓慢等问题,提出一种改进YOLO v5模型的轻量级果园苹果检测算法.首先,使用带有SE注意力机制的DepthSepConv模块和改进的Fast-C3模块对YOLO v5的Backbone网络部分进行重组,保持较高的精确率的同时减小模型体积;其次,用改进的Fast-C3模块替换整个Neck部分的C3模块,提高模型的准确率;替换颈部网络的普通卷积为Ghostconv,进一步降低模型的参数量与体积;最后,引入SIoU损失函数,使回归精确率和收敛速度得到提高.试验结果表明,该模型对苹果检测mAP为94.0％、模型计算量为8.4G FLOPs、体积仅为7.3 M.对比YOLO v5原模型,在mAP提高0.3百分点的情况下,计算量降低46.84％,模型体积缩减49.31％.于嵌入式平台上进行应用测试,实时检测速率达到了 18.76帧/s,约为原模型检测速率的1.5倍.因此,优化后的YOLO v5轻型模型不仅提升了识别准确性,并明显减少了计算负载量与模型大小,使得它能在嵌入式设备上快速有效地捕捉并分析复杂果园场景下的苹果信息.
万方数据
维普
