| 摘 要： | 为实现自然环境下不同成熟度火龙果在不同光照、不同遮挡场景下的精确快速识别，提出了一种基于对YOLOv5的网络模型改进的一种检测模型（PITAYA-YOLOv5）。首先，使用k-means++算法重新生成火龙果数据集的锚框，提高了网络的特征提取能力；其次，将CSPDarkNet替换成PPLCNet作为骨干网络，并加入SE注意力模块（Squeeze-and-Excitation block），在降低网络参数量的同时保持检测精度；同时加入加权双向特征金字塔网络（Bi-FPN）替换YOLOv5的特征融合网络，提高网络对不同尺度特征图的融合效率；引入αDIoU损失函数，提高了模型的收敛效果。试验结果表明：PITAYA-YOLOv5目标检测模型的平均精度均值为94.90%，较原模型提高1.33个百分点，F1值为91.37%，较原模型提高1.12个百分点，平均检测速度达到20.2 ms，占用内存仅有8.1 M。针对枝条遮挡和果间遮挡下的火龙果检测能力明显增强。对比Faster R-CNN、CenterNet、YOLOv3、YOLOv5以及轻量化骨干网络ShuffleNetv2，该模型具有良好的检测精...
|
