YOLOv5s-BC：一种改进的基于 YOLOv5s 的实时苹果检测方法
图像与视频处理
2023-11-13 v1
摘要
针对现有苹果检测算法存在的问题，本研究提出一种改进的基于 YOLOv5s 的方法，命名为 YOLOv5s-BC，用于实时苹果检测，其中引入了一系列修改。首先，在骨干网络中融入坐标注意力（CA）模块以构建新的骨干网络。其次，在颈部模块中，用双向特征金字塔网络（BiFPN）替换原有的拼接操作。最后，在头部模块中新增一个检测头，使机器人视野内更小和更远距离的目标得以检测。所提 YOLOv5s-BC 模型与多种目标检测算法（包括 YOLOv5s、YOLOv4、YOLOv3、SSD、Faster R-CNN (ResNet50) 和 Faster R-CNN (VGG)）进行比较，mAP 分别显著提升了 4.6%、3.6%、20.48%、23.22%、15.27% 和 15.59%。该模型的检测精度也较原始 YOLOv5s 模型大幅提升。模型平均检测速度为每幅图像 0.018 秒，权重大小仅 16.7 Mb，比 YOLOv8s 小 4.7 Mb，满足采摘机器人的实时要求。此外，根据热力图，我们所提模型能更多关注并学习目标苹果的高层特征，且比原始 YOLOv5s 模型更好识别较小目标苹果。进而，在其他苹果园测试中，模型能实时且正确地检测可采摘苹果，展现出良好的泛化能力。
引用
@article{arxiv.2311.05811,
title = {YOLOv5s-BC: An improved YOLOv5s-based method for real-time apple detection},
author = {Jingfan Liu and Zhaobing Liu},
journal= {arXiv preprint arXiv:2311.05811},
year = {2023}
}