Ein Echtzeit-Erkennungsalgorithmus für Kiwifruchtfehler basierend auf YOLOv5

Die Fehlererkennung ist der wichtigste Schritt in der nachgeburtlichen Nachbearbeitung von Kiwifrüchten. Es gibt jedoch einige kleine Fehler, die schwer zu erkennen sind. Die Genauigkeit und Geschwindigkeit bestehender Erkennungsalgorithmen erfüllen nur schwer die Anforderungen an die Echtzeiterkennung. Um diese Probleme zu lösen, haben wir ein Fehlererkennungsmodell basierend auf YOLOv5 entwickelt, das in der Lage ist, Fehler genau und schnell zu erkennen. Die Hauptbeiträge dieser Forschung sind wie folgt: (1) eine Schicht zur Erkennung kleiner Objekte wurde hinzugefügt, um die Fähigkeit des Modells zur Erkennung kleiner Fehler zu verbessern; (2) wir achten auf die Bedeutung verschiedener Kanäle, indem wir SELayer einbetten; (3) die Verlustfunktion CIoU wird eingeführt, um die Regression genauer zu machen; (4) unter der Voraussetzung eines nicht erhöhten Trainingsaufwands trainieren wir unser Modell basierend auf Transferlernen und verwenden den CosineAnnealing-Algorithmus, um die Wirkung zu verbessern. Die Ergebnisse des Experiments zeigen, dass die Gesamtleistung des verbesserten Netzwerks YOLOv5-Ours besser ist als die des ursprünglichen und der mainstream Erkennungsalgorithmen. Der mAP@0.5 von YOLOv5-Ours hat 94,7 % erreicht, was eine Verbesserung von fast 9 % im Vergleich zum ursprünglichen Algorithmus darstellt. Unser Modell benötigt nur 0,1 s, um ein einzelnes Bild zu erkennen, was die Effektivität des Modells beweist. Daher kann YOLOv5-Ours die Anforderungen an die Echtzeiterkennung gut erfüllen und bietet eine robuste Strategie für das Kiwifehlererkennungssystem.