柑橘存在黄色和绿色两种颜色特征,自然环境下柑橘目标检测困难.深度学习在目标检测领域已经实现了实时检测,基于深度学习进行柑橘检测,探索了两种颜色特征的柑橘检测通用模型.建立了自然环境下柑橘的图像数据集,采用3种深度学习检测模型:基于VGG16的Faster R-CNN、基于Resnet的Faster R-CNN以及YOLOv5s,分别对自然环境下的黄色和绿色柑橘进行对比试验.试验表明:对于黄色柑橘,YOLOv5s模型检测方法在柑橘测试集上的精确率、召回率、F1以及平均精度(AP)分别为91.90％、99.00％、0.94和97.40％,平均检测速度为27帧/s;对于绿色柑橘,YOLOv5s模型检测方法在柑橘测试集上的精确率、召回率、F1以及AP分别为96.50％、98.00％、0.96和97.20％,平均检测速度为32帧/s.YOLOv5s与基于VGG16的Faster R-CNN模型及基于Resnet的Faster R-CNN模型相比:对于黄色柑橘,平均精度分别提高了 45.51％和41.18％,平均检测速度分别提高了 22和23帧/s;对于绿色柑橘,平均精度分别提高了 4.38％和 4.13％,平均检测速度分别提高了 25和26帧/s.结果表明,对于两种颜色特征的柑橘,YOLOv5s检测模型通用性更好,检测速度更快,更适用于柑橘检测研究.

自然环境;柑橘检测;深度学习;Faster R-CNN;YOLOv5s

杨国;黄文静;朱洪前;丁键;任会;李丹;肖恒玉;胡涛

中南林业科技大学,长沙410004;江苏护理职业学院,淮安223002

林业工程学报

[1]杨国;黄文静;朱洪前;丁键;任会;李丹;肖恒玉;胡涛-.自然环境下黄绿柑橘检测通用模型的构建)[J].林业工程学报,2022(05):134-141

柑橘检测,绿色柑橘

黄绿,通用模型,种颜色,颜色特征,目标检测,检测领域,实时检测,图像数据集,检测模型,VGG16,Faster,Resnet,YOLOv5s,模型检测,测试集,精确率,召回率,AP,检测速度,通用性

0.173256