基于改进YOLOv5s算法的番茄果实识别技术研究.pdf

摘要

近几年来，随着农业生产从机械化到智能化的转变，智能采摘机器人也越来越多的

被人们用在果蔬采摘上面。比如说用在成熟番茄采摘上面，在对成熟的番茄果实进行识

别的时候，很容易受到背景环境的影响，存在被果实、枝蔓、树叶以及青色番茄果实所

遮挡的情况，因此，番茄果实采摘机器人对番茄图像检测起来比较困难。论文以改进的

YOLOv5s算法进行番茄果实检测与识别，在YOLOv5s网络模型的基础上，添加了注意

力机制以及深度可分离卷积替换普通卷积等，可以有效地降低在番茄果实识别时环境因

素对检测带来的影响，提高了模型的检测精度和速度。具体研究内容包括：

首先，改进YOLOv5s网络模型。将坐标注意力CA（CA，CoordinateAttention）模

块嵌入YOLOv5s网络模型中的neck部分，以提高模型的检测精度，使用深度可分卷积

替换普通的卷积，以减少模型的参数，并将损失函数替换成CIoU（CIoU，Complete

IntersectionoverUnion）实现了对边界框的精确定位。该方法不仅解决了由于番茄体积

太小而无法被检测到的问题，而且还能更加准确地定位被周围环境所遮挡的番茄果实。

其次，将改进的YOLOv5s网络模型应用于番茄果实识别技术的研究中。构建模型

训练环境，对收集到的番茄果实图像样本集进行预处理。之后，人工对番茄果实图像进

行标记，以便于对模型进行检测。在标记完成之后，会产生相应的xml文件。接着，对

番茄数据集进行划分，进行算法训练测试和分析评估，合理划分用于训练和测试时的样

本类别数量，从而提高模型的泛化能力，并确保在番茄果实识别过程中，训练和测试结

果的真实性、可靠性。从实验得到的结果可以看出，YOLOv5s算法模型的预测精度比改

进前提高了0.87%，高达99.6%；召回率从98.63%增加了1.14%，达到99.77%。实验结

果表明，论文提出的方法能够有效地提高YOLOv5s模型的识别准确率。为番茄果实采

摘机器人的高效工作提供了较大的帮助。

关键词：目标检测，YOLOv5s，坐标注意力机制，深度可分离卷积，CIoU

ABSTRACT

Inrecentyears,withthetransformationofagriculturalproductionfrommechanizationtointelligence,

intelligentpickingrobotshavebeenincreasinglyusedinfruitandvegetablepicking.Forexample,usedin

ripetomatopicking,whenidentifyingripetomatofruits,itiseasytobeaffectedbythebackground

environment,andtherearecasesofbeingobscuredbyfruits,branches,leaves,andgreentomatofruits,soit

isdifficultfortomatofruitpickingrobotstodetecttomatoimages.BasedontheYOLOv5snetworkmodel,

attentionmechanismanddeepseparableconvolutionareaddedtoreplaceordinaryconvolution,whichcan

effectivelyreducetheinfluenceofenvironmentalfactorsonthedetectionoftomatofruitandimprovethe

detectionaccuracyandspeedofthemodel.Specificresearchcontentsinclude:

First,improvetheYOLOv5snetworkmodel.Thecoo