18、基于改进YOLOv5模型的密集番茄果实检测与分类

基于改进YOLOv5模型的密集番茄果实检测与分类

1. 引言

农业机器人已成为精准农业中最具前景的技术之一。它能够自动化完成播种、除草、采摘等重复性任务，让农民将更多精力放在战略问题上，提高农业产出。而水果的自动采摘是农业机器人的重要应用之一，这需要先进的检测算法来克服光照、形状、位置和颜色等自然变化带来的障碍。

目标检测是识别和定位视频或图像中不同对象的技术，主要分为基于机器学习和深度学习的方法。机器学习方法需要手动定义特征，如颜色直方图或边缘，然后通过回归模型预测对象的位置和标签。深度学习方法则使用卷积神经网络（CNNs）实现端到端、无监督的目标检测，无需独立指定和提取特征。

深度学习目标检测算法通常由编码器和解码器组成。编码器处理输入图像，提取统计特征；解码器根据编码器的输出预测对象的标签和边界框。目标检测器可分为两阶段和一阶段检测器，如RCNN、Fast R - CNN等属于两阶段检测器，SSD和YOLO系列属于一阶段检测器。然而，目前的目标检测技术在检测小物体时仍面临挑战。

2. 材料与方法

• 数据集构建 ：使用的番茄图像来自Laboro Tomato数据集，共2324张，拍摄于番茄不同成熟阶段，涵盖不同环境条件、模式和尺度。
• 数据增强 ：采用水平翻转、旋转、改变亮度等增强技术，人工扩大数据集规模，使其适用于不同场景，减少过拟合。
• 网络模型 ：
  • YOLO将目标检测视为回归问题，直接确定图像中对象的边界框并进行分类，无需区域提