基于改进YOLOv5s的河蟹与饵料检测方法

• Published in: 农业工程学报 Vol. 39; no. 22; pp. 178 - 187
• Main Authors: 孙月平, 袁必康, 詹婷婷, 孙杰, 方正, 赵德安
• Format: Journal Article
• Language: Chinese
• Published: 江苏大学电气信息工程学院,镇江 212013 01.11.2023; 江苏大学机械工业设施农业测控技术与装备重点实验室,镇江 212013; 常州东风农机集团有限公司,常州 213200%江苏大学电气信息工程学院,镇江 212013%江苏大学电气信息工程学院,镇江 212013
• Subjects: Android deployment; river crab; bait; 目标检测; 河蟹; 轻量化; lightweight; 安卓部署; target detection; identification; 识别; YOLOv5s; 饵料
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.202308197

S965.9; 针对目前在水下复杂环境中池塘养殖河蟹与饵料的检测算法存在检测精度低、速度慢等问题,该研究提出了基于改进YOLOv5s(you only look once version 5 small)的河蟹与饵料检测方法.首先,采用轻量化卷积Ghost替换普通卷积,同时利用GhostBottleneck结构替换原主干网络中的残差结构快速提取网络特征,减少模型计算量,满足安卓端的应用要求.其次,为了弥补因网络参数量减少造成网络检测精度稍有降低的问题,借鉴BiFPN(bidirectional feature pyramid network)的思想改进原始YOLOv5s的双向融合骨干网络,以较低的计算成本提高网络对小目标的检测精度.此外,为了帮助网络进一步更好地识别目标,加入了CA(coordinate attention)注意力机制,使得图像中感兴趣的区域能够更准确地被捕获.试验结果表明:该研究改进模型平均精度均值为 96.9%,计算量为 8.5GFLOPs,与当前主流的单阶段有锚框目标检测算法SSD(single shot multibox detector)和YOLOv3相比,具有更高的检测精度以及更少的计算量.相比于原始YOLOv5s模型,本文改进模型平均精度均值提高了 2.2个百分点,计算量和模型内存都降低了 40%以上.最后,将改进前后的模型部署到安卓设备上测试.测试结果表明:改进后模型的平均检测速度为 148 ms/帧,相较于原始模型检测速度提高了 20.9%,并且保持了较好的检测效果,平衡了安卓设备对模型检测精度以及速度的性能需求,能够为河蟹养殖投饵量的精准确定提供参考.