YOLOv5改进策略|实战应用案例|YOLOv5苹果成熟度检测 ，准确率提升4.6%

   本⽂提出了⼀种基于YOLOv5s-BC的苹果检测实时检测⽅法。通过添加新的检测头并结合CA和 BiFPN模块优化YOLOv5s⽹络模型，可以有效提取⽬标苹果的图像特征，增强对较⼩⽬标苹果的 检测能⼒。详细结论总结如下。

         YOLOv5-BC模型在测试集上的mAP性能达到88.7%，⽐YOLOv5s、YOLOv4、YOLOv3、SSD、 Faster R-CNN（ResNet50）和Faster R-CNN（VGG）模型分别提⾼了4.6%、3.6% %、 20.48%、23.22%、15.27% 和 15.59%。模型的权重⼤⼩仅为16.7 Mb，⽐原始YOLOv5s⼤3 Mb，但⽐YOLOv8、YOLOv4、YOLOv3、SSD、Faster R-CNN（ResNet）和Faster R-CNN （VGG）⼩4.7， 239.3、229.6、74.4、96.8 和 530.2 Mb。⼀张图像的检测仅需0.018秒，保证 了苹果检测的实时性要求。在热图中，向模型添加新的检测头可以检测较⼩⽬标中的苹果。另 外，加⼊CA机制使得模型更加关注和学习检测到的⽬标的⾼层信息，⽽抛弃其他不相关的信息。 在短距离和⻓距离的测试实验中，所提出的模型能够更完美地检测到所有⽬标，显⽰出模型良好 的鲁棒性。

        ⽬前的苹果检测算法⽆法准确区分被遮挡的苹果和可采摘的苹果，从⽽导致苹果采摘准确率较 低，误采或漏采的情况发⽣率很⾼。为了解决现有算法的相关问题，本研究提出了⼀种基于 YOLOv5s 的改进⽅法，称为 YOLOv5s-BC，⽤于实时苹果检测，其中引⼊了⼀系列修改。⾸先， 将协调注意（CA）块合并到主⼲模块中以构建新的主⼲⽹络。其次，颈部模块中原来的串联操作 被替换为双向特征⾦字塔⽹络（BiFPN）。最后，头部模块中添加了⼀个新的检测头，能够检测机 器⼈视野内更⼩、更远的⽬标。所提出的YOLOv5s-BC模型与多种⽬标检测算法进⾏了⽐较，包括 YOLOv5s、YOLOv4、YOLOv3、SSD、Faster R-CNN（ResNet50）和Faster R-CNN（VGG）， 显着提升了4.6%、3.6%， mAP 分别为 20.48%、23.22%、15.27% 和 15.59%。所提出的模型的 检测精度也⽐原始YOLOv5s模型⼤⼤提⾼。该模型平均每张图像检测速度为0.018秒，权重⼤⼩仅 为16.7 Mb，⽐YOLOv8s⼩4.7 Mb，满⾜拣货机器⼈的实时性要求。此外，根据热图，我们提出的 模型可以更多地关注和学习⽬标苹果的⾼级特征，并且⽐原始的 YOLOv5s 模型更好地识别较⼩的 ⽬标苹果。然后，在其他苹果园测试中，该模型能够实时、正确地检测到可采摘的苹果，表现出 良好的泛化能⼒。值得注意的是，我们的模型可以为苹果采摘机器⼈在实时⽬标检测和采摘序列 规划⽅⾯提供技术⽀持。

目录

⼀、简介

2. 数据采集与预处理

2.1 苹果图像采集

2.2 图像标注

2.3 图像增强

3. ⽅法

3.1 YOLOv5

3.2 CA块

3.4 YOLOv5s-BC