-
题名基于YOLO-SSAR的自然环境下红花检测算法
被引量：3
- 1
-
-
作者
陈金荣
许燕
周建平
王小荣
罗鸣
徐声彪
-
机构
新疆大学机械工程学院
新疆维吾尔自治区农牧机器人及智能装备工程研究中心
吉木萨尔县农牧业技术推广中心
-
出处
《农业工程学报》
北大核心
2025年第2期215-223,共9页
-
基金
新疆维吾尔自治区创新团队项目-机器人及智能装备技术科技创新团队(2022D14002)
新疆维吾尔自治区自然科学基金项目:非结构化环境下红花采摘机器人环境感知与认知决策关键技术研究(2023D01C190)。
-
文摘
针对自然环境中红花智能采摘存在红花尺度变化大、遮挡情况复杂的问题,该研究对YOLOv5s模型进行优化,提出了一种基于多尺度特征提取的YOLO-SSAR目标检测算法。首先,采用ShuffleNet v2轻量化结构对Backbone层主干特征提取网络进行替换,减少模型参数量和计算量;其次,在Neck层添加基于空洞卷积和共享权重的Scale-Aware RFE模块,提高模型对于多尺度特征信息的提取能力;最后,为解决目标检测中类内、类间遮挡问题,在Head层引入排斥损失函数对原损失函数进行替换,减少因非极大值抑制(non-maximum suppression,NMS)阈值选取不当造成的漏检或误检,提高模型的检测精度。试验结果表明,YOLO-SSAR算法在测试集上的精确率、召回率和平均精度均值分别为90.1%、88.5%、93.4%,比YOLOv5s原始模型分别提升了5.9、9.2和7.7个百分点,推理速度为115帧/s,模型大小为9.7 MB,与主流算法YOLOv4、YOLOv7、YOLOV8s、Faster R-CNN、SSD相比,精确率分别高出6.8、7.2、6.3、16.2和10.8个百分点、召回率高出9.4、10.3、9.5、17.3和59.4个百分点,平均精度均值高出8.8、8.2、8.1、14.9和19.4个百分点。研究表明,YOLO-SSAR算法在提升综合检测性能的同时也降低了计算复杂度,研究结果可以为红花智能采摘研究提供算法参考。
-
关键词
目标检测
红花
YOLOv5s
ShuffleNet
v2
多尺度
排斥损失函数
-
Keywords
target detection
safflower
YOLOv5s
ShuffleNet v2
multi-scale
repulsion loss function
-
分类号
S225
[农业科学—农业机械化工程]
TP391
[自动化与计算机技术—计算机应用技术]
-
