基于迁移学习与轻量化YOLOv5s的草莓目标检测方法

郭敬涛1 吕凤1 章慧婷1 杨彪2 刘大洋1

1.东北林业大学计算机与控制工程学院 2.商洛学院电子信息与电气工程学院

摘要： 为实现草莓采摘时精准检测，同时考虑到嵌入式设备内存小、计算能力低下，而当下目标检测模型参数量和计算量巨大的问题，提出一种基于YOLOv5s的轻量化网络模型。首先，对YOLOv5s进行轻量化处理，利用深度卷积(DWConv)替换普通卷积，同时用C3Ghost模块替换原网络模型中的C3模块，降低模型的复杂度。然后，为增强主干网络对特征信息的提取能力，加强输入特征图通道间的信息交互，在主干网络的C3模块中融合高效通道注意力(ECA)结构，在特征融合网络添加无参数注意力模块(SimAM),使网络聚焦更多的有效特征信息，达到不增加模型的参数量，同时又提升模型识别精度的目的。最后，结合迁移学习加快模型收敛速度并进一步提升模型检测精度。结果表明，轻量化后的网络模型体积减小55.8%,计算量减少55.1%,在自制草莓数据集上的平均精度均值mAP@0.75达到74.9%,比原模型提高3.1%,单张图片平均推理时间仅6.4 ms,能够实现在草莓采摘任务中的精准快速检测，为草莓生产智能化提供支持。

关键词：草莓目标检测；深度学习；注意力机制；轻量化模型；迁移学习

基金资助： 国家自然科学基金(32202147)； 中国博士后基金面上项目(2021M690573)； 中央高校基本科研业务费专项资金(2572020BF05)； 陕西省科学技术协会青年人才托举计划项目(20220124)

文章来源：《中国农机化学报》