草莓检测+YOLOv5s：Real-time Strawberry Detection Based on Improved YOLOv5s Architecture for Robotic Harve

论文作者：Zixuan He,Salik Ram Khana,Xin Zhang,Manoj Karkee,Qin Zhang

作者单位：Washington State University; Mississippi State University

论文链接：http://arxiv.org/abs/2308.03998v1

内容简介：

1）方向：目标检测模型

2）应用：农业领域，草莓检测

3）背景：本研究提出了一种名为YOLOv5s-Straw的目标检测架构，用于在户外环境中检测草莓。研究对YOLOv5s的原始架构进行了修改，通过将C3模块替换为C2f模块，提供了更好的特征梯度流。其次，在YOLOv5s的骨干网络的最后一层中，将Spatial Pyramid Pooling Fast与Cross Stage Partial Net相结合，以提高在本研究中草莓数据集的泛化能力。

4）方法：研究使用了包含三个成熟度类别（未成熟、几乎成熟和成熟）的草莓冠层的RGB图像数据集，并通过一系列操作（包括亮度降低、亮度增加和添加噪声）进行了增强。为验证所提出的方法在户外环境中对草莓的检测优越性，研究训练了四个竞争性的检测模型（YOLOv3-tiny、YOLOv5s、YOLOv5s-C2f和YOLOv8s），并在相同的计算环境下进行了测试并与YOLOv5s-Straw进行了比较。

5）结果：结果显示，使用所提出的架构获得了80.3%的最高平均精度，而YOLOv3-tiny、YOLOv5s、YOLOv5s-C2f和YOLOv8s分别获得了73.4%、77.8%、79.8%和79.3%的平均精度。具体而言，YOLOv5s-Straw在未成熟类别的平均精度为82.1%，几乎成熟类别为73.5%，成熟类别为86.6%，分别比最新的YOLOv8s高出2.3%和3.7%。该模型包含了860万个网络参数，推断速度为每张图像18毫秒，而YOLOv8s的推断速度较慢，为21.0毫秒，网络参数重达1110万个。这表明所提出的模型足够快，可以实时进行机器人采摘时的草莓检测和定位。