改进YOLOv5s的自然场景下茶叶嫩芽检测

胡永光1,2 金矿1,2 刘益航1,2 鹿永宗1,2 张志1,2 潘庆民1,2

1.江苏大学农业工程学院 2.江苏大学现代农业装备与技术教育部重点实验室

摘要： 茶叶嫩芽采摘是茶叶生产中的重要环节，智能化采茶需要基于深度学习的茶叶嫩芽检测算法作为技术保障。为提高茶叶嫩芽检测速度和精度，提出一种改进YOLOv5s网络模型的检测算法TN—YOLOv5s。首先引入GhostNet网络结构中的深度可分离卷积GhostConv，替代原有YOLOv5s模型中特征提取网络与特征融合网络的普通卷积层；然后在模型特征提取网络的末端加入CA空间注意力机制；其次使用SIoU＿Loss代替CIoU＿Loss作为回归损失函数；最后使用Soft—NMS替换NMS。结果表明，改进后的模型在自制的茶叶嫩芽数据集上，相比于原始YOLOv5s算法，模型精确率、召回率和平均精度均值分别高出7.1%、5.9%、6.4%，权重大小从13.7 MB下降到7.48 MB。同时与目前主流的检测算法相比，在检测精度、模型大小和检测速度方面更有优势。改进后的模型降低被遮挡茶叶嫩芽的漏检率，能够准确快速地实现不同场景下的茶叶嫩芽检测。

关键词： 茶叶嫩芽;自然场景;YOLOv5s;目标检测;遮挡

基金资助： 国家自然科学基金地区科学基金项目(32460782)； 江苏高校优势学科建设工程项目(PAPD—2018—87)

文章来源：《中国农机化学报》