基于改进YOLO v5的轻量级苹果识别方法

来源：江苏农业科学杂志2026年第第4期北京时间：

作者：亢娟娜;王淏;刘强

单位：1.甘肃畜牧工程职业技术学院，甘肃武威 733006； 2.甘肃农业大学信息科学技术学院，甘肃兰州 730070

摘要：为了在计算资源有限的边缘计算设备上高效集成苹果果实检测系统，针对自然果园环境下苹果果实的快速准确识别问题，提出一种基于改进YOLO v5的轻量化检测模型。首先，将YOLO v5主干替换为由Ghost Conv、Ghost Bottleneck组成的4组轻量级下采样模型，以减少模型的参数量、计算量；同时，在每个特征层加入协同注意力(CA)模块，以提高模型的特征提取能力，改善复杂环境下被遮挡目标的错检、漏检问题；此外，采用EIoU_Loss损失函数获得更精准的定位框。结果表明，改进后模型的平均精度均值(mAP)为95.23%，权重大小为8.9 MB，参数量、每秒浮点运算次数(FLOPs)分别为41.04 M、9.7 G；相比于原始YOLO v5，提出的Ghost-CAE YOLO v5模型的参数量、权重、FLOPs分别降低了41.6%、39.5%、39.0%，mAP提升了5.05百分点。在微型计算机上进行实时检测试验发现，所提模型对不同遮挡情况和不同光照条件下的复杂场景具有较好的检测精度和鲁棒性，实时检测速度达到 26.52帧/s，比原始YOLO v5提升了1.36倍，表明该模型适合部署在低性能的边缘计算设备上，可以满足采摘机器人视觉系统的要求。

关键词：果园环境;苹果识别;YOLO v5;轻量化;CA模块;EIoU_Loss