基于FEAConv-YOLO v5的柑橘果实目标检测与识别研究  

Study on target detection and recognition of citrus fruit based on FEAConv-YOLO v5

作　　者：黄蕊 李贤辉 杨彦鑫 李文峰 黄兆波 魏永葵 刘宏斌 Huang Rui

机构地区：[1]云南农业大学机电工程学院,云南昆明650201 [2]华宁县农村经济经营管理站,云南华宁652899 [3]华宁县柑桔科学研究所,云南华宁652899

出　　处：《江苏农业科学》2025年第5期54-61,共8页Jiangsu Agricultural Sciences

基　　金：云南省科技重大专项(编号:202202AE090021)。

摘　　要：为解决现阶段柑橘生育期信息的获取主要依靠人工观测的效率低、主观性强等问题。首先提出一种基于FEAConv-YOLO v5的柑橘果实目标检测算法,提出FEConv与FEAConv等2种特征增强卷积核,替代YOLO v5网络中卷积核,然后进行消融试验验证各改进点的有效性,再与Faster-RCNN、YOLO v4、SSD等3个网络模型进行检测能力的对比,最后用测试集验证改进后的模型性能。其次,设计一种融合大气环境特征与果实表型特征的多模态特征果实生育期识别模型,利用ResNet18作为CNN的分类网络,提取柑橘表型特征;利用ANN作为大气环境数据特征提取网络,对FEAConv-YOLO v5所检测到的柑橘目标进行分类识别,并用混淆矩阵评价模型的分类性能。结果表明,改进后的目标检测模型收敛效果好,损失值比YOLO算法更低,消融试验中将FEConv替代主干部分卷积核后,准确率、召回率和平均精度均值分别较原模型提高0.9、0.6、0.7百分点;将FEAConv替代Neck部分卷积核后,准确率、召回率和平均精度均值分别提高1.4、1.0、1.5百分点;同时融入FEConv与FEAConv后,准确率、召回率和平均精度均值分别提高2.1、2.2、2.7百分点。在对比试验中,改进模型的平均精度均值达到了90.3%,检测速率达到了2.72帧/ms,在4个网络模型里面显示最优。其次,生育期识别模型中幼果期分类精度为96.7%,果实膨大期的分类精度为93.6%,果实成熟期的分类精度为100%,平均分类精度为96.8%。FEAConv-YOLO v5网络可以在满足时间要求的前提下,有效提升检测精度,减少小柑橘目标与遮挡目标的漏检问题。同时,多模态融合的果实目标发育期识别网络具有较高的分类精度。

关 键 词：柑橘果实 目标检测 YOLO 生育期识别 

分 类 号：S126[农业科学—农业基础科学] TP391.41[自动化与计算机技术—计算机应用技术]