近日，山東省農業科學院茶葉研究所與中茶所、浙理工在中科院1區Top期刊《Computers and Electronics in Agriculture》（IF=6.757）上合作發表了題為“A lightweight tea bud detection model based on Yolov5”的論文，系統報道了名優茶芽葉智能精準識別采摘技術研究。茶葉所董春旺研究員及其聯培碩士研究生桂志勇為該論文第一通訊作者和第一作者。文章鏈接：https://doi.org/10.1016/j.compag.2023.107636
茶芽檢測技術對于實現茶芽采摘的自動化和智能化具有重要意義。針對傳統圖像處理的方法識別茶芽精度低、計算量大、檢測模型尺寸大等問題，不利于檢測模型在移動終端的部署，提出一種基于深度學習算法Yolov5的輕量化茶芽檢測模型，大大減少了模型的參數和浮點運算，有效且顯著地減少了模型的尺寸大小，同時確保了該模型對茶芽具有很高的檢測精度。通過深度學習技術對茶芽進行識別的方法還存在檢測精度低、檢測速度慢、模型計算量大、模型尺寸大等問題。
本研究對深度學習模型Yolov5進行分析，通過引入輕量級Ghost_conv卷積操作實現模型的輕量化，通過引入BAM注意力機制和多尺度加權特征融合提高模型檢精度，通過改進模型預測框損失函數使模型在評估茶芽的預測損失更加準確，從而提高模型檢測性能。 最終構建了一種基于Yolov5的輕量化茶芽檢測模型。該模型的茶芽檢測幀率為29.509 FPS，精確率（P）達88.72%，召回率（R）達87.99%，平均準確率（AP）為92.66%。此研究為茶芽檢測算法的優化方向提供了新思路，在實驗結果上表現良好，為采茶智能化的發展做出了貢獻。（撰寫：賈厚振 核稿：董春旺）
日期：2023-01-28
茶芽檢測技術對于實現茶芽采摘的自動化和智能化具有重要意義。針對傳統圖像處理的方法識別茶芽精度低、計算量大、檢測模型尺寸大等問題，不利于檢測模型在移動終端的部署，提出一種基于深度學習算法Yolov5的輕量化茶芽檢測模型，大大減少了模型的參數和浮點運算，有效且顯著地減少了模型的尺寸大小，同時確保了該模型對茶芽具有很高的檢測精度。通過深度學習技術對茶芽進行識別的方法還存在檢測精度低、檢測速度慢、模型計算量大、模型尺寸大等問題。
本研究對深度學習模型Yolov5進行分析，通過引入輕量級Ghost_conv卷積操作實現模型的輕量化，通過引入BAM注意力機制和多尺度加權特征融合提高模型檢精度，通過改進模型預測框損失函數使模型在評估茶芽的預測損失更加準確，從而提高模型檢測性能。 最終構建了一種基于Yolov5的輕量化茶芽檢測模型。該模型的茶芽檢測幀率為29.509 FPS，精確率（P）達88.72%，召回率（R）達87.99%，平均準確率（AP）為92.66%。此研究為茶芽檢測算法的優化方向提供了新思路，在實驗結果上表現良好，為采茶智能化的發展做出了貢獻。（撰寫：賈厚振 核稿：董春旺）
日期：2023-01-28
