摘要
为解决温室环境草莓果实的快速准确识别问题,提出了一种基于改进YOLO v5s的草莓成熟度检测方法.使用基于Channel Shuffle的多路聚合网络替换YOLO v5s中的C3模块,在丰富模型特征提取能力的同时,使得网络模型轻量化.同时采用SE注意力机制和最大池化层重构下采样模块,提高模型对有效通道的关注度.利用自制的草莓数据集对改进模型进行评估,结果表明,改进模型(YOLO-SR,YOLO-Strawberry Ripeness)的mAP达98.0％,模型大小仅为5.6 MB,在GPU(RTX 3060)上的单张平均检测速度仅8.2 ms.与原始YOLO v5s相比,YOLO-SR的mAP提升0.8百分点,参数量和浮点计算量分别减少60.0％和54.9％.本研究使用TensorRT加速引擎将模型部署到Jetson Nano平台,结果表明,固定输入分辨率为480 ×480且使用半精度推理时模型的检测效率最高,mAP和检测时延分别为97.7％和69.4 ms,相比于YOLO v5s原始网络,mAP仍提高了 0.5百分点,推理速度提升64％.该轻量化方法能够快速准确地对温室环境下的草莓果实成熟度进行检测,为智慧农业技术在草莓种植中的应用提供可选择方案.
维普
万方数据