基于改进YOLOv5的黄花成熟度检测方法
盛彬
山西大同大学 机电工程学院,山西 大同 037003
摘要：为统一辨识标准,提高成熟黄花采摘的检测精度和实时性能,提出一种改进的GCS-BI YOLOv5图像检测算法.首先,利用轻量化神经网络(Ghost Net)精简模型结构,节省计算资源;其次,为兼顾图像通道信息、位置信息,交叉引入高效注意力机制(CBAM和SE),提升图像特征感知能力和模型收敛速度;然后,采用加权双向特征金字塔网络(BI FPN),融合多尺度图像信息,提升模型对不同目标的综合检测性能.结果表明,与原始算法YOLOv5相比,所提算法在模型体积、网络层数、参数量、浮点运算量等轻量化指标方面分别下降62.89%、33.12%、63.01%、68.39%;在精确度、召回率等性能指标方面分别提升7.77、6.28百分点;实时性能提升了33.81 f/s.可见,改进算法的综合性能较优,能够满足黄花成熟度检测的要求.
关键词：黄花轻量化神经网络注意力机制跨通道特征融合深度学习YOLOv5
分类号：S126(农业物理学)TP399(计算技术、计算机技术)
资助基金：山西省高等学校科技创新计划项目(2023L276)山西大同大学教学改革创新项目(XJG2022216)山西大同大学科研基金项目(2020Q13)
论文发表日期：2024-08-15
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：9( 145-153 )
英文信息