基于改进YOLOv5m模型的甘蔗茎基精准检测技术研究

为解决甘蔗智能收割中茎基精准定位难题，研究人员通过改进YOLOv5m模型，在骨干网络引入CA注意力机制（Coordinate Attention）并增加小目标检测层，显著提升多尺度特征融合能力。实验表明，改进后模型精度（Precision）达96.9%、召回率（Recall）95.4%、mAP@5097.9%，较原模型提升超9%，单图处理仅需0.166秒，为农业智能化提供了高效技术基准。

　　甘蔗茎基的精准检测（Stem Base Detection）是实现智能收割的关键技术瓶颈。本研究对YOLOv5m模型进行双重优化：在骨干网络（Backbone）嵌入坐标注意力机制（CA, Coordinate Attention），强化茎基特征提取能力；在检测头（Head）增设小目标检测层，显著提升图像边缘微小目标的捕获效果。与Faster RCNN、YOLOv7-tiny和YOLOv8n等模型对比显示，改进后的YOLOv5m以96.9%精度（Precision）、95.4%召回率（Recall）和97.9% mAP@₅₀全面领先，性能指标较原模型提升9.1%-9.3%，单图推理速度0.166秒，堪称甘蔗收割机器人的"火眼金睛"。这项突破为农业自动化提供了高精度、低延迟的视觉解决方案。