基于GCAM-YOLOv5的火龙果快速检测方法

摘要

火龙果是中国和东南亚地区最受欢迎的水果之一。视觉检测系统是火龙果采摘机器人的重要组成部分,火龙果检测算法的速度和准确率决定了采摘机器人的效率与稳定性。为了实现快速且准确地采摘火龙果,本研究提出了一种GCAM-YOLOv5模型用于火龙果的识别与定位。结合GhostBottleneck结构和卷积注意力机制模块(CBAM)构成幽灵卷积注意力模块(GCAM),并用GCAM替换原网络中的C3模块以提高模型的精度和推理速度。GCAM的设计是为了在主干网络中减少参数的前提下更精准地提取特征,加快网络的收敛速度。此外,在训练网络时,使用SIoU边界框回归损失函数代替CIoU边界框回归损失函数,使模型对火龙果的定位更加准确,也能更好地界定果实的边界范围。使用4684张不同环境拍摄的火龙果图像进行试验,结果表明,本研究提出的GCAM-YOLOv5模型准确率、召回率、平均精度高达96.2%,97.9%,98.8%。与原YOLOv5相比,GCAM-YOLOv5的误识别率和漏识别率分别降低了13.6%和46.2%,检测速度提高了12.1%。在遮挡实验中,对于轻微和严重遮挡的火龙果,GCAM-YOLOv5模型的检测精度分别为95.5%和84.1%。