基于SCGYOLOv5n的收获期澳洲坚果检测算法

来源：中国农机化学报杂志2024年第4期北京时间：

作者：张慧蒙, 何超, 徐嘉雯, 罗鑫, 荣剑, 刘学渊

摘要：为实现自然环境下澳洲坚果的快速准确检测，针对收获期澳洲坚果果皮与枝叶颜色相似、体积小、病害果混杂难识别的问题，提出一种基于SCGYOLOv5n的收获期澳洲坚果检测算法。该方法运用数据增强，提高模型鲁棒性；在YOLOv5n的骨干网络引入SimAM注意力机制，增强有效特征的提取能力；在FPN结构中引入CARAFE上采样，强化目标感知能力；使用GSConv轻量级卷积替换部分卷积层，减轻模型的参数量并实现高效特征融合，提高检测速度和检测精度。结果表明，改进后的SCGYOLOv5n澳洲坚果检测算法对收获期的青皮澳洲坚果和病害澳洲坚果的检测平均精度AP分别为94.8%、97.9%，单张图像平均时间为5.33 ms，比YOLOv5n模型高出2.1%、1.3%，检测速度提升15.8%。该算法可以高效检测澳洲坚果，为后续自动化采摘提供技术参考。

关键词：深度学习,澳洲坚果检测,数据增强,注意力机制,卷积神经网络设计

基金资助：云南省教育厅科学研究基金项目(2023Y0758)；云南省科技厅科技计划项目(202301BD070001-041)