基于改进 YOLOv5s 架构的野外环境机器人采摘实时草莓检测
计算机视觉与模式识别
2023-10-13 v4
摘要
本研究提出一种基于 YOLOv5 的自定义目标检测模型，用于户外环境中的草莓检测。通过将 YOLOv5s 骨干网络中的 C3 模块替换为 C2f 模块来修改原架构，从而提供更好的特征梯度流。其次，将 YOLOv5s 骨干网络末层的空间金字塔池化快速模块与跨阶段局部网络结合，以提升本研究草莓数据集上的泛化能力。所提架构命名为 YOLOv5s-Straw。在野外环境采集具有三个成熟度类别（未熟、近熟和成熟）的草莓冠层 RGB 图像数据集，并通过降低亮度、增加亮度和添加噪声等一系列操作进行增强。为验证所提方法在野外环境草莓检测中的优越性，训练了四种竞争检测模型（YOLOv3-tiny、YOLOv5s、YOLOv5s-C2f 和 YOLOv8s），在相同计算环境下测试并与 YOLOv5s-Straw 比较。结果表明，所提架构取得最高平均精度均值 80.3%，而 YOLOv3-tiny、YOLOv5s、YOLOv5s-C2f 和 YOLOv8s 分别为 73.4%、77.8%、79.8%、79.3%。具体而言，YOLOv5s-Straw 的未熟类、近熟类和成熟类平均精度分别为 82.1%、73.5% 和 86.6%，较最新 YOLOv8s 分别高出 2.3% 和 3.7%。该模型含 8.6*10^6 网络参数，单图推理速度 18ms，而 YOLOv8s 推理速度较慢为 21.0ms 且参数达 11.1*10^6，表明所提模型足以满足机器人采摘的实时草莓检测与定位。
引用
@article{arxiv.2308.03998,
title = {Real-time Strawberry Detection Based on Improved YOLOv5s Architecture for Robotic Harvesting in open-field environment},
author = {Zixuan He and Salik Ram Khanal and Xin Zhang and Manoj Karkee and Qin Zhang},
journal= {arXiv preprint arXiv:2308.03998},
year = {2023}
}
备注
20 pages; 15 figures