典型文献
基于改进YOLOv5的茶叶杂质检测算法
文献摘要：
针对现有目标检测算法检测茶叶杂质精度低、速度慢的问题,该研究提出了一种基于改进YOLOv5的茶叶杂质检测算法.采用K-Means聚类算法对杂质真实框聚类,以获取适合茶叶杂质特征的锚框尺寸;通过在主干特征提取网络CSPDarkNet中引入前馈卷积注意力机制(Convolutional Block Attention Module,CBAM),将茶叶杂质输入特征图依次经过通道注意力模块和空间注意力模块,获得特征图通道维度和空间维度的关键特征;在颈部网络中添加空间金字塔池化(Spatial Pyramid Pooling,SPP)模块,融合并提取不同感受野的关键特征信息;将普通卷积替换成深度可分离卷积,增大小目标预测特征图的置信度损失权重,构建了轻量化的改进YOLOv5网络结构模型;分别制作了铁观音茶叶中混合有稻谷、瓜子壳、竹枝和茶梗4种杂质的数据集并进行茶叶杂质检测试验.结果表明,改进的YOLOv5比常规YOLOv5在茶叶杂质检测中具有更高的置信度分数,且定位更为准确,未出现漏检现象.改进YOLOv5的多类别平均精度(Mean Average Precision,mAP)和每秒传输帧数(Frame Per Second,FPS)达到96.05％和62帧/s,均优于主流的目标检测算法,验证了改进算法的高效性和鲁棒性.该研究成果可为提升茶叶制作过程中小目标杂质检测精度与检测速度奠定基础.
文献关键词：
深度学习;算法;目标检测;YOLOv5;茶叶杂质
中图分类号：
作者姓名：
黄少华;梁喜凤
作者机构：
中国计量大学机电工程学院,杭州 310018
文献出处：
引用格式：
[1]黄少华;梁喜凤-.基于改进YOLOv5的茶叶杂质检测算法)[J].农业工程学报,2022(17):329-336
A类：
茶叶杂质
B类：
YOLOv5,质检,目标检测算法,速度慢,Means,聚类算法,锚框,主干特征提取网络,CSPDarkNet,前馈,卷积注意力机制,Convolutional,Block,Attention,Module,CBAM,输入特征,特征图,通道注意力模块,空间注意力,空间维度,关键特征,空间金字塔池化,Spatial,Pyramid,Pooling,SPP,感受野,特征信息,替换成,深度可分离卷积,小目标预测,置信度损失,失权,网络结构模型,铁观音,稻谷,瓜子壳,竹枝,检测试验,漏检,多类别,Average,Precision,mAP,每秒,秒传,Frame,Per,Second,FPS,改进算法,检测精度,检测速度
AB值：
0.379684
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
