基于优化 Yolov5s 的冬枣目标检测研究

冬枣因其富含维生素 C 的营养价值和鲜美的口感而在中国深受喜爱。在冬枣目标检测方面，机器学习研究无法以高准确度检测出小尺寸的枣果实。此外，在深度学习研究中，由于网络模型体积大、检测速度慢，在嵌入式设备中的部署受到限制。在本研究中，提出了一种改进的 Yolov5s（You Only Look Once version 5 small model）算法，以实现快速且精确的检测。在改进的 Yolov5s 算法中，我们通过缩减 Yolov5s 的骨干网络尺寸来减小模型大小和网络参数量，从而提高检测速度。Yolov5s 的颈部被替换为 slim-neck，它使用 Ghost-Shuffle Convolution（GSConv）和一次性聚合跨阶段局部网络模块（VoV-GSCSP）来降低计算和网络复杂度，同时保持足够的准确度。最后，利用知识蒸馏对改进后的 Yolov5s 模型进行优化，以增强泛化能力并提升整体性能。实验结果表明，优化后的 Yolov5s 模型在遮挡和小目标果实识别以及整体性能方面的准确度均优于 Yolov5s。与 Yolov5s 相比，优化后的 Yolov5s 模型的 Precision、Recall、mAP（平均精度均值）和 F1 值分别提高了 4.70%、1.30%、1.90% 和 2.90%。模型大小和参数量均显著减少了 86.09% 和 88.77%。实验结果证明，基于 Yolov5s 优化的模型能够为机器人采摘提供一种实时且高精度的冬枣小果实检测方法。