寇雷雷　張紅娜

摘要：針對(duì)采摘機(jī)器人多目標(biāo)檢測(cè)影響因素多、識(shí)別準(zhǔn)確率低等問題，為給采摘機(jī)械手提供有效的視覺引導(dǎo)，提出一種改進(jìn)YOLOv5目標(biāo)識(shí)別網(wǎng)絡(luò)模型。首先，在YOLOv5s的基礎(chǔ)上利用改進(jìn)Ghost模塊替代CSP模塊，以減少模型計(jì)算量，使模型更為輕量化?？紤]到預(yù)測(cè)框與目標(biāo)框的橫縱比問題，用CIoU_Loss替換GIoU_Loss作為損失函數(shù)，提高目標(biāo)回歸的穩(wěn)定性。采用DSPP模塊來代替原始的SPP模塊進(jìn)行池化操作，以解決SPP特征信息丟失問題，提高目標(biāo)檢測(cè)的準(zhǔn)確性；然后，利用該模型對(duì)蘋果圖像樣本進(jìn)行訓(xùn)練與評(píng)價(jià)，分析模型性能的可靠性與可行性；最后，對(duì)數(shù)據(jù)集進(jìn)行識(shí)別測(cè)試，并根據(jù)不同評(píng)價(jià)指標(biāo)進(jìn)行對(duì)比分析，驗(yàn)證所建模型的優(yōu)越性。研究結(jié)果表明，所提出的改進(jìn)YOLOv5網(wǎng)絡(luò)模型具有識(shí)別準(zhǔn)確性高、抗干擾能力強(qiáng)、檢測(cè)速度快的特點(diǎn)。與其他模型相比，精確率最高提升8.4%，召回率最高提升5.1%，mAP最高提升10.3%。

關(guān)鍵詞：蘋果；多目標(biāo)識(shí)別；采摘機(jī)器人；神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP391.41文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：20955553 （2023） 11016207

Research on multi-target recognition technology of apple picking robot

based on improved YOLOv5

Kou Leilei Zhang Hongna

（1. School of Mechanical and Electrical Engineering， Jilin Engineering Vocational College， Siping， 136000， China；

2. College of Engineering， Inner Mongolia Minzu University， Tongliao， 028005， China）

Abstract：Aiming at the issues of multiple influencing factors and low recognition accuracy in multi target detection of harvesting robots， an improved YOLOv5 object recognition network model is proposed to provide effective visual guidance for harvesting robots. Firstly， based on YOLOv5s， an improved Ghost module is used to replace the CSP module to reduce the computational complexity of the model and make it more lightweight. Considering the aspect ratio between the prediction box and the target box， CIoU_Loss is replaced by GIoU_Loss as a loss function to improve the stability of target regression. DSPP module is used to replace the original SPP module for pooling operation to solve the problem of SPP feature information loss and improve the accuracy of object detection. Then， the model is used to train and evaluate apple image samples，to analyze the reliability and feasibility of the models performance. Finally， identification testing is conducted on the dataset and comparative analysis is conducted based on different evaluation indicators to verify the superiority of the constructed model. The research results indicate that the proposed improved YOLOv5 network model has the characteristics of high recognition accuracy， strong anti-interference ability， and fast detection speed. Compared with the other models， the accuracy rate is up to 8.4%， the recall rate is up to 5.1%， and the mAP rate is up to 10.3%.

Keywords：apple; multi-target recognition; picking robot; neural network

0引言

隨著自動(dòng)化技術(shù)的發(fā)展，采摘機(jī)器人在農(nóng)業(yè)生產(chǎn)領(lǐng)域不斷被應(yīng)用，大大提高了采摘效率，有效解決人工作業(yè)效率低、勞動(dòng)強(qiáng)度大等問題［12］。自動(dòng)采摘的關(guān)鍵問題在于對(duì)果實(shí)的檢測(cè)，識(shí)別精度直接影響了采摘機(jī)器人的工作有效性，因此尋找一種有效的目標(biāo)檢測(cè)算法成為當(dāng)前學(xué)者們研究的重點(diǎn)。

基于深度學(xué)習(xí)的目標(biāo)識(shí)別算法主要包括二階段目標(biāo)檢測(cè)法和一階段目標(biāo)檢測(cè)法。二階段目標(biāo)檢測(cè)法首先生成目標(biāo)候選框，對(duì)候選框區(qū)域的圖像進(jìn)行特征提取，再對(duì)提取到的特征進(jìn)行分類與回歸，如Faster R-CNN［3］、Mask R-CNN［4］等算法；一階段目標(biāo)檢測(cè)算法是利用回歸思想同時(shí)完成檢測(cè)和識(shí)別，實(shí)現(xiàn)端到端的檢測(cè)和識(shí)別，如SSD［5］、YOLO［6］等算法。YOLO算法是近幾年提出的新型網(wǎng)絡(luò)模型，在檢測(cè)速度和檢測(cè)精度上更具優(yōu)勢(shì)，目前已有發(fā)展了包括YOLOv2［7］、YOLOv3［89］、YOLOv4［1011］以及YOLOv5［12］等多種改進(jìn)算法，廣泛應(yīng)用于工業(yè)、農(nóng)業(yè)、交通及軍事等領(lǐng)域。

由于果園地面不平整及采摘時(shí)機(jī)械臂抖動(dòng)，常造成采集的圖像畫質(zhì)不高，對(duì)目標(biāo)檢測(cè)產(chǎn)生一定影響，降低了機(jī)器人對(duì)果實(shí)的識(shí)別精度。特別是在復(fù)雜天氣環(huán)境下，果實(shí)重疊、枝葉遮擋等情況的目標(biāo)識(shí)別，更是存在識(shí)別準(zhǔn)確率低和識(shí)別速度慢等問題，甚至導(dǎo)致漏檢或誤檢，嚴(yán)重影響了采摘機(jī)器人的作業(yè)效率?；诖?，本文在YOLOv5s網(wǎng)絡(luò)模型的基礎(chǔ)上，對(duì)其CSP模塊、損失函數(shù)以及SPP模塊進(jìn)行改進(jìn)，提出一種改進(jìn)YOLOv5網(wǎng)絡(luò)模型。同時(shí)，將該模型用于對(duì)蘋果目標(biāo)的訓(xùn)練測(cè)試，并與不同模型進(jìn)行對(duì)比和量化評(píng)價(jià)分析，驗(yàn)證該網(wǎng)絡(luò)模型的可靠性和可行性，以期提高采摘機(jī)器人的多目標(biāo)識(shí)別精度，提升其工作效率。

1改進(jìn)YOLOv5網(wǎng)絡(luò)模型

1.1模型框架

YOLOv5網(wǎng)絡(luò)模型是在YOLOv4的基礎(chǔ)上對(duì)骨干網(wǎng)絡(luò)等部分進(jìn)行優(yōu)化而演變來的，具有準(zhǔn)確性高和檢測(cè)速度快等特點(diǎn)，是當(dāng)前研究的熱點(diǎn)網(wǎng)絡(luò)。根據(jù)網(wǎng)絡(luò)深度和寬度的不同，目前YOLOv5已經(jīng)發(fā)展為YOLOv5s、YOLOv5m、YOLOv5l及YOLOv5x幾種版本。結(jié)合本研究設(shè)計(jì)需求，為保證檢測(cè)速度和準(zhǔn)確率，本文以YOLOv5s為基礎(chǔ)開展研究。

YOLOv5s網(wǎng)絡(luò)分為輸入端、主干網(wǎng)絡(luò)（Backbone）、頸部（Neck）、Prediction四個(gè)部分［1314］，如圖1所示。

YOLOv5s網(wǎng)絡(luò)在特征提取結(jié)構(gòu)的頂端采用切片（Focus）操作，以擴(kuò)充網(wǎng)絡(luò)的輸入通道，提高網(wǎng)絡(luò)的運(yùn)行速度；CSP模塊是跨階段局部網(wǎng)絡(luò)結(jié)構(gòu)的簡稱，是Backbone網(wǎng)絡(luò)的主體結(jié)構(gòu)，主要用于提取特征，其結(jié)構(gòu)由兩部分組成，一部分只進(jìn)行簡單的卷積計(jì)算，另一部分則采用傳統(tǒng)的殘差塊堆疊操作，其形式為：卷積—批量歸一化—激活函數(shù)—多個(gè)殘差單元—卷積塊的連接方式。兩部分通過拼接和通道整合，使多個(gè)CSP模塊和Conv模塊串聯(lián)形成深度神經(jīng)網(wǎng)絡(luò)，并在隱藏層中使用Leaky ReLU作為激活函數(shù)，以減輕模型的復(fù)雜程度，從而提高卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，實(shí)現(xiàn)多尺度目標(biāo)復(fù)雜特征的提取。

頸部（Neck）采用空間金字塔池化（FPP）方式，能夠更好地增加卷積核的感受野，提高網(wǎng)絡(luò)的深度學(xué)習(xí)能力，然后將路徑聚合網(wǎng)絡(luò)（PAN）與FPP特征層相連，提升了網(wǎng)絡(luò)特征的提取能力，實(shí)現(xiàn)對(duì)不同層級(jí)特征的有效融合。輸出端使用GIOU_Loss作為邊框回歸的損失函數(shù)，解決了預(yù)測(cè)框和目標(biāo)框邊界框不重合問題，使目標(biāo)框的回歸更加穩(wěn)定。YOLOv5s網(wǎng)絡(luò)的輸入端采用Mosaic數(shù)據(jù)增強(qiáng)代替?zhèn)鹘y(tǒng)的CutMix數(shù)據(jù)增強(qiáng)方式，通過自適應(yīng)方法對(duì)錨框尺寸進(jìn)行學(xué)習(xí)和計(jì)算，從而使模型定位更加準(zhǔn)確，識(shí)別準(zhǔn)確性更高，適合多目標(biāo)的檢測(cè)與識(shí)別訓(xùn)練。由于YOLOv5計(jì)算數(shù)據(jù)量大，往往存在檢測(cè)速度慢、識(shí)別效率低的問題，因此，本文在YOLOv5s網(wǎng)絡(luò)的基礎(chǔ)上，對(duì)其結(jié)構(gòu)進(jìn)行改進(jìn)，構(gòu)建出一種改進(jìn)的YOLOv5網(wǎng)絡(luò)模型結(jié)構(gòu)。

1.2CSP模塊改進(jìn)

為有效減少卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算量，用Ghost模塊代替?zhèn)鹘y(tǒng)的卷積模塊，該模塊由傳統(tǒng)卷積和深度卷積組合而成，然后再將兩個(gè)Ghost模塊疊加到一起，其輸入和輸出通過shortcut相連接。前面的Ghost模塊采用批量歸一化（BN）和ReLU激活函數(shù)作為擴(kuò)展層以增加通道數(shù)，而后面的Ghost模塊則不使用激活函數(shù)，以減少通道數(shù)量，以適應(yīng)shortcut的路徑形式。利用Ghost模塊替換CSP上層分支結(jié)構(gòu)中的殘差組件，保持下層分支卷積不變，然后兩個(gè)分支再重新組合，分別進(jìn)行Concat、正態(tài)分布（BN）、激活以及CBL操作，改進(jìn)后的模塊如圖2所示。

1.3損失函數(shù)改進(jìn)

YOLOv5s模型在對(duì)多個(gè)目標(biāo)圖像進(jìn)行檢測(cè)時(shí)，算法將生成不止一個(gè)預(yù)測(cè)框，因此需要?jiǎng)h除多余的預(yù)測(cè)框，選擇最接近真實(shí)框的預(yù)測(cè)框。YOLOv5s網(wǎng)絡(luò)的損失函數(shù)L由回歸框預(yù)測(cè)損失Lloc、置信度損失Lconf和目標(biāo)分類損失Lclass組成，計(jì)算公式為如式（1）所示［1516］。

CIoU考慮了目標(biāo)與預(yù)測(cè)框之間的距離、重疊率、尺寸以及懲罰項(xiàng)等參數(shù)，用以代替原始YOLOv5s算法中的GIoU進(jìn)行anchor回歸，實(shí)現(xiàn)真實(shí)框和預(yù)測(cè)框無重合時(shí)的梯度回傳，提高模型收斂能力。當(dāng)邊界框與真實(shí)框上下或左右相鄰時(shí)，CIoU能夠優(yōu)化不相交的邊界框，保留位置更準(zhǔn)確的邊界框，提高模型對(duì)目標(biāo)位置預(yù)測(cè)的精確度。同時(shí)，使用CIoU能夠降低模型的訓(xùn)練難度，提高檢測(cè)準(zhǔn)確率，提高目標(biāo)框回歸穩(wěn)定性。

1.4SPP模塊改進(jìn)

在YOLOv5s模型中，通過引用SPP模塊來解決原始池化方式中固定輸入尺寸帶來的圖像失真、變形等問題。SPP模塊包括1×1、5×5、9×9和13×13幾個(gè)尺度的最大池化操作，用以捕獲圖像局部與全局特征，有利于處理目標(biāo)差異大的問題［19］。SPP模塊在池化操作過程中會(huì)出現(xiàn)圖像特征丟失現(xiàn)象，從而使目標(biāo)檢測(cè)準(zhǔn)確率下降。為此，本文采用DSPP模塊來代替原始的SPP模塊進(jìn)行池化操作，該模塊同樣采用4個(gè)尺度進(jìn)行最大池化操作，不同的是每個(gè)分支的最大池化信息還會(huì)與其他分支的特征信息相融合，一同作為池化操作的輸入，同時(shí)補(bǔ)充的池化信息量也由損失信息量決定，從而有效解決了SPP特征信息丟失問題，進(jìn)一步提高了目標(biāo)檢測(cè)的準(zhǔn)確性，SPP與DSPP結(jié)構(gòu)如圖3所示。

2模型訓(xùn)練與評(píng)價(jià)

2.1數(shù)據(jù)采集

樣本采集于煙臺(tái)齊山鎮(zhèn)蘋果園區(qū)，采集對(duì)象為自然環(huán)境下生長的成熟期紅富士蘋果。拍攝時(shí)間為2022年10月上旬。為最大限度模擬環(huán)境的復(fù)雜性，在睛天順光、晴天逆光以及陰天3種天氣條件下采集圖像數(shù)據(jù)，采集距離1.0～2.0m。共采集原始圖像1 980張，圖像中包含相鄰、受遮擋、重疊等果實(shí)位置分布類型，圖像格式為JPEG，分辨率為1 920像素×1 080像素，不同圖像分類局部特征信息如圖4所示。按照8∶2的比例劃分訓(xùn)練集和測(cè)試集，訓(xùn)練集和測(cè)試集之間無重疊。

2.2試驗(yàn)平臺(tái)與參數(shù)設(shè)置

搭建模型訓(xùn)練與測(cè)試平臺(tái)，選用CPU型號(hào)為：Intel Core（TM）i5 9400，2.9 GHz；顯卡型號(hào)為：NVIDIA GeForce TX 2080S，8 GB顯存，利用Python語言編寫訓(xùn)練程序，在Windows10操作系統(tǒng)下搭建深度學(xué)習(xí)框架，對(duì)模型進(jìn)行訓(xùn)練和測(cè)試。模型訓(xùn)練時(shí)采用4個(gè)樣本作為一個(gè)批處理單元，每次更新權(quán)值時(shí)使用BN層進(jìn)行正則化。以準(zhǔn)確率和識(shí)別效率為首要目標(biāo)進(jìn)行測(cè)試，動(dòng)量因子設(shè)置為0.85，初始學(xué)習(xí)率為0.001，權(quán)值衰減率為0.000 5，訓(xùn)練次數(shù)為300。根據(jù)訓(xùn)練結(jié)果對(duì)兩種模型的損失率進(jìn)行分析，如圖5所示。可見，改進(jìn)YOLOv5模型具有損失率小、訓(xùn)練效率高的特點(diǎn)。

2.3評(píng)價(jià)指標(biāo)

為驗(yàn)證所建模型的有效性，采用精確率（Precision，P）、召回率（Recall，R）、平均準(zhǔn)確率均值（mAP）3種指標(biāo)對(duì)其進(jìn)行評(píng)價(jià)，所用評(píng)價(jià)指標(biāo)需要采用混淆矩陣計(jì)算，其規(guī)則如表1所示。

2.4模型訓(xùn)練

利用搭建好的網(wǎng)絡(luò)模型對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，同時(shí)利用上述指標(biāo)進(jìn)行評(píng)價(jià)，并與原YOLOV5s模型進(jìn)行對(duì)比，結(jié)果如圖6～圖8所示。

從訓(xùn)練結(jié)果可以看出，隨著訓(xùn)練次數(shù)的增加，與YOLOv5s網(wǎng)絡(luò)模型相比，改進(jìn)YOLOv5網(wǎng)絡(luò)模型的精確率及召回率以及mAP都有比較明顯的提高。可見，本文所提出的網(wǎng)絡(luò)模型能夠有效進(jìn)行多目標(biāo)檢測(cè)問題的研究，滿足采摘機(jī)器人對(duì)果實(shí)圖像進(jìn)行識(shí)別的要求。

2.5目標(biāo)識(shí)別結(jié)果

為深入探究不同天氣條件及果實(shí)分布位置對(duì)采摘機(jī)器人目標(biāo)檢測(cè)結(jié)果的影響，利用本文提出的改進(jìn)YOLOv5、YOLOv5s及YOLOv3模型在晴天順光、晴天逆光及陰天的天氣環(huán)境下對(duì)所建數(shù)據(jù)集進(jìn)行蘋果圖像識(shí)別測(cè)試。測(cè)試集中共計(jì)396張?zhí)O果圖像，包括晴天順光161張，晴天逆光90張，陰天145張。測(cè)試結(jié)果如圖9～圖11所示。將３種網(wǎng)絡(luò)模型的最優(yōu)評(píng)估指標(biāo)進(jìn)行對(duì)比，平均精確率與幀速率結(jié)果如表2所示。

從測(cè)試結(jié)果看，晴天順光條件下的檢測(cè)精確率和幀速率整體上高于晴天逆光和陰天條件，這是因?yàn)殛幪飙h(huán)境下由于光線較暗，所以檢測(cè)難度比晴天順光時(shí)的難度大，而受太陽光斑影響，晴天逆光條件下光線較強(qiáng)，圖像的曝光度過高，檢測(cè)難度也比順光時(shí)大。另外，在同等光照條件下，由于樣本所在位置不同，在果實(shí)重疊或受枝葉遮擋等情況下，檢測(cè)效果也會(huì)受到很大影響，如圖12所示。

但從整體測(cè)試結(jié)果看，晴天順光、晴天逆光及陰天條件下蘋果果實(shí)的識(shí)別精確率分別是96.64%、92.36%和94.12%，而幀速率分別是75.26 fps、73.72 fps和75.19 fps。相比YOLOv5s和YOLOv3，改進(jìn)YOLOv5的檢測(cè)準(zhǔn)確率高、檢測(cè)速度快，對(duì)不同天氣情況和果實(shí)位置都有很好地識(shí)別精度。

2.6不同檢測(cè)算法對(duì)比

為進(jìn)一步證明本算法相比其他算法的優(yōu)越性，在相同測(cè)試集下，以精確率、召回率及mAP作為評(píng)價(jià)指標(biāo)，將本文算法與YOLOv5s、YOLOv4-Tiny及YOLOv3網(wǎng)絡(luò)模型分別在測(cè)試集上進(jìn)行圖像識(shí)別。同時(shí)，按式（4）、式（5）及式（7）的計(jì)算方法將3個(gè)指標(biāo)進(jìn)行對(duì)比，從而分析不同模型的性能，結(jié)果如表3所示。

由表3可知，本文所提出的改進(jìn)YOLOv5網(wǎng)絡(luò)模型對(duì)蘋果果實(shí)的檢測(cè)精確率為94.37%，召回率為96.21%，mAP為96.73%，單幅圖像平均檢測(cè)速度為0.028s。相比YOLOv5s、YOLOv4-Tiny及YOLOv3模型，精確率分別提高了4.1%、5.3%、8.4%，召回率分別提高了2.8%、5.1%、4.5%，mAP分別提高了2.6%、7.1%、10.3%，單幅圖像平均檢測(cè)速度縮短了15.2%、17.6%、28.2%。雖然受光線條件、枝干遮擋以及果實(shí)重疊等因素的影響，模型的識(shí)別精度略受影響，但是從整體來看，與其他網(wǎng)絡(luò)模型相比，改進(jìn)YOLOv5能夠有效識(shí)別目標(biāo)，具有抗干擾能力強(qiáng)、檢測(cè)精度高、識(shí)別速度快等特點(diǎn)。

3結(jié)論

為提高采摘機(jī)器人對(duì)蘋果圖像的識(shí)別精度和檢測(cè)速度，基于深度學(xué)習(xí)理論建立一種新的目標(biāo)檢測(cè)網(wǎng)絡(luò)模型，以期解決當(dāng)前識(shí)別精度受干擾影響大、識(shí)別效率低的問題。

1）? 對(duì)YOLOv5s網(wǎng)絡(luò)模型的框架進(jìn)行改進(jìn)優(yōu)化，利用改進(jìn)Ghost模塊替代CSP模塊、CIoU_Loss替換GIoU_Loss作為損失函數(shù)、DSPP模塊代替原始的SPP模塊進(jìn)行池化操作，目的是優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)、使模型更為輕量化、解決SPP特征信息丟失問題，進(jìn)而提高目標(biāo)回歸的穩(wěn)定性。

2）? 考慮天氣條件和果實(shí)分布位置建立數(shù)據(jù)集，在不同網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練和測(cè)試對(duì)比，并對(duì)結(jié)果進(jìn)行量化分析，從而實(shí)現(xiàn)相對(duì)各指標(biāo)的有效性評(píng)價(jià)。

3）? 改進(jìn)YOLOv5網(wǎng)絡(luò)模型能夠有效識(shí)別不同條件下的蘋果圖像，與所對(duì)照的模型相比，精確率最高提升了8.4%，召回率最高提升了5.1%，mAP最高提升了10.3%，單幅圖像平均檢測(cè)速度最多縮短28.2%，具有識(shí)別準(zhǔn)確性高、抗干擾能力強(qiáng)、檢測(cè)速度快的特點(diǎn)。

參考文獻(xiàn)

［1］王飛濤， 樊春春， 李兆東， 等. 機(jī)器人在設(shè)施農(nóng)業(yè)領(lǐng)域應(yīng)用現(xiàn)狀及發(fā)展趨勢(shì)分析［J］. 中國農(nóng)機(jī)化學(xué)報(bào)， 2020， 41（3）： 93-98， 120.Wang Feitao， Fan Chunchun， Li Zhaodong， et al. Application status and development trend of facility agriculture ［J］. Journal of Chinese Agricultural Mechanization， 2020， 41（3）： 93-98， 120.

［2］宋懷波， 尚鈺瑩， 何東健. 果實(shí)目標(biāo)深度學(xué)習(xí)識(shí)別技術(shù)研究進(jìn)展［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2023， 54（1）： 1-19.Song Huaibo， Shang Yuying， He Dongjian. Review on deep learning technology for fruit target recognition ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（1）： 1-19.

［3］魏冉， 裴悅琨， 姜艷超， 等. 基于改進(jìn)Faster R-CNN模型的櫻桃缺陷檢測(cè)［J］. 食品與機(jī)械， 2021， 37（10）： 98-105， 201.Wei Ran， Pei Yuekun， Jiang Yanchao， et al. Detection of cherry defects based on improved Faster R-CNN model ［J］. Food & Machinery， 2021， 37（10）： 98-105， 201.

［4］岳有軍， 田博凱， 王紅君， 等. 基于改進(jìn)Mask RCNN的復(fù)雜環(huán)境下蘋果檢測(cè)研究［J］. 中國農(nóng)機(jī)化學(xué)報(bào)， 2019， 40（10）： 128-134.Yue Youjun， Tian Bokai， Wang Hongjun， et al. Research on apple detection in complex environment based on improved Mask RCNN ［J］. Journal of Chinese Agricultural Mechanization， 2019， 40（10）： 128-134.

［5］李輝， 嚴(yán)康華， 景浩， 等. 基于改進(jìn)SSD的蘋果葉部病理檢測(cè)識(shí)別［J］. 傳感器與微系統(tǒng)， 2022， 41（10）： 134-137.Li Hui， Yan Kanghua， Jing Hao， et al. Apple leaf pathology detection and recognition based on improved SSD ［J］. Transducer and Microsystem Technologies， 2022， 41（10）： 134-137.

［6］章倩麗， 李秋生， 胡俊勇， 等. 基于PP-YOLO改進(jìn)算法的臍橙果實(shí)實(shí)時(shí)檢測(cè)［J］. 北京聯(lián)合大學(xué)學(xué)報(bào)， 2022， 36（4）： 58-66.Zhang Qianli， Li Qiusheng， Hu Junyong， et al. Real-time detection of navel orange fruit based on improved PP-YOLO algorithm ［J］. Journal of Beijing Union University， 2022， 36（4）： 58-66.

［7］張曼， 李杰， 丁榮莉， 等. 基于改進(jìn)YOLO-V2算法的遙感圖像目標(biāo)檢測(cè)技術(shù)研究［J］. 計(jì)算機(jī)科學(xué)， 2020， 47（S1）： 176-180.Zhang Man， Li Jie， Ding Rongli， et al. Remote sensing image object detection technology based on improved YOLO-V2 algorithm ［J］. Computer Science， 2020， 47（S1）： 176-180.

［8］Tian Y， Yang G， Wang Z， et al. Apple detection during different growth stages in orchards using the improved YOLO-V3 model ［J］. Computers and Electronics in Agriculture， 2019， 157： 417-426.

［9］柳長源， 王琪， 畢曉君. 多目標(biāo)小尺度車輛目標(biāo)檢測(cè)方法［J］. 控制與決策， 2021， 36（11）： 2707-2712.Liu Changyuan， Wang Qi， Bi Xiaojun. Multi-target and small-scale vehicle target detection method ［J］. Control and Decision， 2021， 36（11）： 2707-2712.

［10］范曉飛， 王林柏， 劉景艷， 等. 基于改進(jìn)YOLOv4的玉米種子外觀品質(zhì)檢測(cè)方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2022， 53（7）： 226-233.Fan Xiaofei， Wang Linbai， Liu Jingyan， et al. Corn seed appearance quality estimation based on improved YOLOv4 ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（7）： 226-233.

［11］

潘惠蘋， 王敏琴， 張福泉. 基于優(yōu)化YOLO-V4的交通標(biāo)志檢測(cè)識(shí)別方法［J］. 計(jì)算機(jī)科學(xué)， 2022， 49（11）： 179-184.

Pan Huiping， Wang Minqin， Zhang Fuquan. Traffic sign detection and recognition method based on optimized YOLO-V4 ［J］. Computer Science， 2022， 49（11）： 179-184.

［12］汪穎， 王峰， 李瑋， 等. 用于復(fù)雜環(huán)境下果蔬檢測(cè)的改進(jìn)YOLOv5算法研究［J］. 中國農(nóng)機(jī)化學(xué)報(bào)， 2023， 44（1）： 185-191.Wang Ying， Wang Feng， Li Wei， et al.Study on improved YOLOv5 algorithm for fruit and vegetable detection in complex environments ［J］. Journal of Chinese Agricultural Mechanization， 2023， 44（1）： 185-191.

［13］魏天宇， 柳天虹， 張善文， 等. 基于改進(jìn)YOLOv5s的辣椒采摘機(jī)器人識(shí)別定位方法［J］. 揚(yáng)州大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2023， 26（1）： 61-69.Wei Tianyu， Liu Tianhong， Zhang Shanwen， et al. Research on pepper picking robot recognition and positioning method based on improved YOLOv5s ［J］. Journal of Yangzhou University （Natural Science Edition）， 2023， 26（1）： 61-69.

［14］李光明， 弓皓斌， 袁凱. 基于輕量化YOLOv5s的花椒簇檢測(cè)研究［J］. 中國農(nóng)機(jī)化學(xué)報(bào)， 2023， 44（4）： 153-158.Li Guangming， Gong Haobin， Yuan Kai. Research on lightweight pepper cluster detection based on YOLOv5s ［J］. Journal of Chinese Agricultural Mechanization， 2023， 44（4）： 153-158.

［15］Yan B， Fan P， Lei X Y， et al. A real-time apple targets detection method for picking robot based on improved YOLOv5 ［J］. Remote Sensing， 2021， 13（9）： 1619.

［16］閆彬， 樊攀， 王美茸， 等. 基于改進(jìn)YOLOv5m的采摘機(jī)器人蘋果采摘方式實(shí)時(shí)識(shí)別［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2022， 53（9）： 28-38.Yan Bin， Fan Pan， Wang Meirong， et al. Real-time apple picking pattern recognition for picking robot based on improved YOLOv5m ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（9）： 28-38.

［17］李揚(yáng)， 腰彩紅， 高冠群， 等. 一種基于YOLOv5的草莓多階段目標(biāo)檢測(cè)方法［J］. 天津農(nóng)業(yè)科學(xué)， 2022， 28（11）： 81-90.Li Yang， Yao Caihong， Gao Guanqun， et al. A target detection method based on YOLOv5 in multi-stage of strawberry growing period ［J］. Tianjin Agricultural Sciences， 2022， 28（11）： 81-90.

［18］黃彤鑌， 黃河清， 李震， 等. 基于YOLOv5改進(jìn)模型的柑橘果實(shí)識(shí)別方法［J］. 華中農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2022， 41（4）： 170-177.Huang Tongbin， Huang Heqing， Li Zhen， et al. Citrus fruit recognition method based on the improved model of YOLOv5 ［J］. Journal of Huazhong Agricultural University， 2022， 41（4）： 170-177.

［19］楊其晟， 李文寬， 楊曉峰， 等. 改進(jìn)YOLOv5的蘋果花生長狀態(tài)檢測(cè)方法［J］. 計(jì)算機(jī)工程與應(yīng)用， 2022， 58（4）： 237-246.Yang Qisheng， Li Wenkuan， Yang Xiaofeng， et al. Improved YOLOv5 method for detecting growth status of apple flowers ［J］. Computer Engineering and Applications， 2022， 58（4）： 237-246.

［20］He K M， Zhang X Y， Ren S Q， et al. Spatial pyramid pooling in deep convolutional networks for visual recognition ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2015， 37（9）： 1904-1916.