基于改进版YOLOv5的草莓采摘机器人实时目标检测算法研究

《Journal of Food Measurement and Characterization》：Research on real-time target detection algorithm for strawberry-picking robot based on improved YOLOv5

草莓成熟度检测算法研究提出CCEK-YOLOv5s模型，通过注意力机制和双向特征金字塔提升复杂环境下的检测精度，实验显示其mAP50达97.9%且计算效率优于Faster R-CNN，有效支持智能采摘机器人应用

　　

摘要

本研究旨在开发一种实时对象检测算法，以提高在复杂环境中工作的升降式草莓采摘机器人的草莓成熟度检测的准确性和鲁棒性。为此，我们提出了CCEK-YOLOv5s，这是一种基于YOLOv5s的改进模型。具体来说，我们在主干网络中加入了注意力机制，并在颈部网络中集成了一种双向特征金字塔结构，从而增强了模型在复杂条件下提取草莓区分性特征的能力。数据集来自河南省新乡市河南科技大学农业学院的升降式草莓种植基地，并增加了不同成熟度级别的草莓样本。实验结果表明，CCEK-YOLOv5s的平均精度（mAP50）达到了97.9%，优于YOLOv5s（97.5%）、YOLOv4（94%）、YOLOv3（92%）和Faster R-CNN（97%）。在计算复杂度方面，CCEK-YOLOv5s仅需要22.4 GFLOPs，远低于Faster R-CNN（180 GFLOPs）和Mask R-CNN（200 GFLOPs），表明其在检测准确性和效率之间取得了良好的平衡。进一步的比较实验验证了CCEK-YOLOv5s在不同光照条件、遮挡场景和小目标尺寸下的优越性。使用EigenCAM方法进行的热图可视化分析显示，该模型能够最准确地反映其对草莓目标区域的关注程度，进一步证明了CCEK-YOLOv5s在特征提取方面的有效性。这些发现突显了CCEK-YOLOv5s的实际价值，并为升降式草莓采摘机器人的智能应用提供了有效的技术支持。