基于改进YOLOv5n的腐败水果检测模型
电子技术应用
彭靖翔，张荣芬，刘宇红
贵州大学 大数据与信息工程学院
摘要： 为了实现多种水果在采摘后自动化筛选和分拣中腐败水果识别的问题，提出了改进的YOLOv5n模型，命名为mobile-YOLO。首先将YOLOv5n的主干网络替换为MobileNetV3并引入深度可分离卷积，相较于原模型，这种改进在计算效率和速度上都有所提升，并且准确率也得到了提高。为了进一步提升速度，将C3模块替换为C2f模块，实现轻量化的同时获得了更丰富的梯度流信息。最后将原有的CIoU替换为α-CIoU，以加快收敛速度并保证图像框位置的准确性。mobile-YOLO相较于原始的YOLOv5n，mAP@.5（mean Average Precision）达到了98.1%，mAP@.5：.95达到了94.2%，同时在P（Precision）值为97.1%和R（Recall）值为96.8%的情况下，参数量几乎与YOLOv5n保持一致。
中图分类号：TP391.4 文献标志码：A DOI: 10.16157/j.issn.0258-7998.245040
中文引用格式： 彭靖翔，张荣芬，刘宇红. 基于改进YOLOv5n的腐败水果检测模型[J]. 电子技术应用，2024，50(12)：55-60.
英文引用格式： Peng Jingxiang，Zhang Rongfen，Liu Yuhong. Corrupt fruit detection model based on improved YOLOv5n[J]. Application of Electronic Technique，2024，50(12)：55-60.
中文引用格式： 彭靖翔，张荣芬，刘宇红. 基于改进YOLOv5n的腐败水果检测模型[J]. 电子技术应用，2024，50(12)：55-60.
英文引用格式： Peng Jingxiang，Zhang Rongfen，Liu Yuhong. Corrupt fruit detection model based on improved YOLOv5n[J]. Application of Electronic Technique，2024，50(12)：55-60.
Corrupt fruit detection model based on improved YOLOv5n
Peng Jingxiang，Zhang Rongfen，Liu Yuhong
School of Big Data and Information Engineering， Guizhou University
Abstract： To address the issues of automated sorting and classification of various fruits post-harvest, particularly in the identification of decayed fruits, this paper introduces an enhanced model derived from YOLOv5n, denominated as mobile-YOLO. The initial modification involves replacing the backbone network of YOLOv5n with MobileNetV3 and incorporating depth-wise separable convolutions. This enhancement results in improved computational efficiency and speed compared to the original model, accompanied by an elevation in accuracy．
Key words : decayed fruits；MobileNetV3；depth-wise separable convolutions；edge devices；YOLOv5n
引言
水果在中国农业中具有重要地位，为农民提供稳定的收入来源。邓瑞等[1]提出了一种基于轻量版YOLOv5s的水果检测方法，该方法在TI Sitara平台上实际测试的检测速率为23 F/s，平均精度均值为89%，能够满足无人水果售货系统对商品检测精度和实时性的要求。罗家梅等[2]提出了基于YOLOv5的水果品质检测与分类方法，可以检测出苹果、橘子、香蕉和梨4种水果。容仕军[3]提出了自然场景下树上果实检测小样本学习方法，可以检测百香果、苹果和柑橘3种水果，提高小样本条件下树上果实的检测性能，该方法也具备良好的泛化能力，可以有效提高检测精确率。叶舒铭等[4]提出了基于机器视觉的橙子缺陷检测，解决了橙子在生长、采摘、运输的过程中受到害虫侵扰、环境影响、碰撞摩擦因素引起的表面损伤及腐烂问题。张杰等[5]提出了基于注意力机制的水果损伤检测及分类，以ResNet34作为主干网络，并在此基础上引入注意力机制SE和CBAM模块来实现水果损伤的检测和基本分类，但是模型过于庞大无法在边缘端实时检测。徐印赟等[6]为使水果采摘机器人在复杂情况下（如树叶遮挡、果实目标尺度变化大等）能准确地检测出水果，改进YOLO及NMS的水果目标检测。
本文基于改进的YOLOv5n模型实现对腐败水果的智能化检测，以便在水果成熟期及时发现并清除腐败水果，从而减少损失。在工业化采摘的地区，快速检测腐败水果以确保及时剔除，也能减轻人力压力。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006248
作者信息：
彭靖翔，张荣芬，刘宇红
（贵州大学 大数据与信息工程学院，贵州 贵阳 550000）
此内容为AET网站原创，未经授权禁止转载。