基于注意力机制的轻量化YOLO v5s蓝莓检测算法

为实现自然环境下蓝莓的精确快速检测，在YOLO v5s的基础上提出了一种结合轻量级网络和注意力机制的改进算法。首先，在主干网络和检测头的位置去除了最大目标检测层的结构，因而降低模型的参数量，增强模型对小目标的检测能力。其次，将MHSA(Multi-head self-attention，多头自注意力)替换了SPPF(Spatial pyramid pooling-fast，快速空间金字塔池化)前面的C3模块，使模型学习到更全面的特征表示，增强模型对蓝莓图像中复杂空间关系和上下文信息的理解能力。最后，在C3模块中加入了S-PSA(Sequential polarized self-attention，顺序极化自注意力)，以便模型能够更好地捕捉特征图中相邻区域之间的上下文依赖关系。结果表明，改进后的YOLO v5s算法对成熟、半成熟和未成熟蓝莓的检测精度分别提升1.2、4.4、2.6百分点，平均精度提升2.7百分点，模型参数量减少76.0%。与当前主流轻量化目标检测模型相比，改进后的模型性能更加优越，能为自然环境下蓝莓采摘机器人视觉系统提供一种有效的方案。