基于改进YOLOv5柑橘成熟果实检测算法

为提高柑橘果园产量巡检作业效率和质量，巡检机器人精准检测成熟柑橘果实至关重要。考虑到成熟果实特有的颜色空间、果实遮挡导致的小目标以及巡检机器人有限的硬件资源，本文提出一种简单有效的基于改进YOLOv5的柑橘成熟果实检测方法。本工作主要设计一个由三层Context Aggregation Block (CAB)组成的特征金字塔并将其插入到YOLOv5网络的Head部分。此改进的YOLOv5模型具有如下优点：（1）集成的底层CAB模块通过特征通道注意力机制和空间注意力机制更好更快地学习小目标局部成熟果实的颜色和纹理特征、重叠果实的边缘特征；（2）多层CAB模块构建的特征金字塔能够有效地避免小目标随网络深度增加而消失，从而降低小目标果实漏检率。柑橘成熟果实识别验证试验结果表明，改进YOLOv5网络模型的精确度和平均精度分别为98.21%和98.07%，较原始YOLOv5分别提升了0.31%和0.17%，较Faster-RCNN分别提升了8.41%和8.31%。同时，单张成熟柑橘果实图像的平均检测时间32.5 ms，模型占用内存15.8 mb。该结果表明改进 YOLOv5模型可实现果园自然环境下柑橘成熟果实快速准确的检测识别，可为柑橘果园巡检机器人产量巡检提供技术支持。