基于改进YOLOv5网络的疏果前苹果检测方法

来源：江苏农业科学杂志2023年第第14期北京时间：

作者：姜国权;杨正元;霍占强;罗军伟;赵翠君

单位：1. 河南理工大学软件学院，河南焦作 454000； 2. 河南理工大学资源环境学院，河南焦作454000

摘要：为了实现自然环境下疏果前苹果的快速识别和精确定位，满足果园智能化种植需求，提出了一种基于改进的YOLOv5深度学习的检测模型。首先，为了解决苹果的尺度大小不一带来的问题，改进目标检测层，在YOLOv5的第17层之后对特征图进行上采样，在第20层将网络提取到的特征图与Backbone网络中的第2层特征图进行融合操作，以生成不同尺寸的检测层。其次，为了克服复杂环境的影响，改进特征融合网络，使用BiFPN(Bidirectional Feature Pyramid Network))进行特征融合，来更有效地提取目标信息。最后，将采集到的苹果图像进行不同网络模型检测效果对比试验。试验表明，改进的模型经过8 274幅图像训练，在2 759幅测试集上的检测准确率为94.2%，召回率为952%，F1值为94.7%；相比YOLOv3、YOLOv4、原YOLOv5网络，准确率分别提高了4.4%、7.0%、2.3%，F1值分别提高6.1%、6.5%、2.6%；相比YOLOv3、YOLOv4网络，图像的检测速度分别提高了13.5、21.4 ms/幅。结果表明，在保证检测实时性的情况下，该方法可以有效识别复杂环境下的苹果。

关键词：改进YOLOv5;疏果前;目标检测;苹果检测;特征融合