基于改进YOLO v5s的温室番茄检测模型轻量化研究

番茄检测模型的检测速度和识别精度会直接影响到番茄采摘机器人的采摘效率，因此，为实现复杂温室环境下对番茄精准实时的检测与识别，为采摘机器人视觉系统研究提供重要的参考价值，提出一种以YOLO v5s模型为基础，使用改进的MobileNet v3结构替换主干网络，平衡模型速度和精度。同时，在颈部网络引入Ghost轻量化模块和CBAM注意力机制，在保证模型检测精度的同时提高模型的检测速度。通过扩大网络的输入尺寸，并设置不同尺度的检测网络来提高对远距离小目标番茄的识别精度。采用SIoU损失函数来提高模型训练的收敛速度。最终，改进YOLO v5s模型检测番茄的精度为94.4%、召回率为92.5%、均值平均精度为96.6%、模型大小为7.1 MB、参数量为3.69 M、浮点运算(FLOPs)为6.0 G,改进的模型很好地平衡了模型检测速度和模型识别精度，能够快速准确地检测和识别复杂温室环境下的番茄，且对远距离小目标番茄等复杂场景都能实现准确检测与识别，该轻量化模型未来能够应用到嵌入式设备，对复杂环境下的温室番茄实现实时准确的检测与识别。