Un modèle YOLOv5 amélioré pour la reconnaissance des fruits de concombre en serre basé sur des caractéristiques de l'espace de couleur

L'identification des fruits de concombre est une procédure essentielle dans la récolte automatisée en serres. Afin d'améliorer la capacité d'identification des modèles de détection d'objets pour la récolte des fruits de concombre, un ensemble de données d'images RGB étendu (n = 801) avec 3943 étiquettes positives et négatives a été construit. Tout d'abord, douze canaux dans quatre espaces de couleur (RGB, YCbCr, HIS, La*b*) ont été comparés par la méthode ReliefF pour choisir le canal avec le poids le plus élevé. Deuxièmement, l'ensemble de données d'images RGB a été converti en l'ensemble de données pseudo-couleur du canal choisi (canal Cr) pour pré-entraîner le modèle YOLOv5s avant l'entraînement formel en utilisant l'ensemble de données d'images RGB. Sur la base de cette méthode, le modèle YOLOv5s a été amélioré par le canal Cr. Les résultats expérimentaux montrent que la précision de reconnaissance des fruits de concombre du modèle YOLOv5s amélioré a été augmentée de 83,7 % à 85,19 %. Comparé au modèle YOLOv5s original, les valeurs moyennes de l'AP, du F1, du taux de rappel et du mAP ont augmenté de 8,03 %, 7 %, 8,7 % et 8 %, respectivement. Afin de vérifier l'applicabilité de la méthode de pré-entraînement, des expériences d'ablation ont été menées sur SSD, Faster R-CNN et quatre versions de YOLOv5 (s, l, m, x), entraînant une augmentation de la précision de 1,51 %, 3,09 %, 1,49 %, 0,63 %, 3,15 % et 2,43 %, respectivement. Les résultats de cette étude indiquent que la méthode de pré-entraînement du canal Cr est prometteuse pour améliorer la détection des fruits de concombre dans un arrière-plan proche de la couleur.