基于YOLOv5s的园林球形绿篱检测方法

doi:10.13733/j.jcam.issn.2095-5553.2024.08.038

摘要/Abstract

摘要： 在聚集遮挡等复杂园林环境下，现有的目标检测算法很难对球形绿篱进行准确检测。针对这一问题，提出一种基于YOLOv5s的算法YOLO-CBS，用于提高园林球形绿篱的检测精度。首先，将坐标注意力（CA）引入YOLOv5s的主干网络，CA不仅考虑通道间的关系还考虑特征空间的位置信息，因而能够使模型更准确地识别和定位目标绿篱；其次，用双向特征金字塔网络（BiFPN）替换路径聚合网络（PANet），以提高特征融合的效率；最后，将输出端的非极大值抑制（NMS）改为Soft-NMS，以提高对遮挡绿篱、聚集绿篱等复杂场景下的目标绿篱检测精度。典型绿篱数据集试验结果表明，与YOLOv5s算法相比，YOLO-CBS算法平均精度提高3.4%。

关键词: 绿篱检测, YOLOv5s, 注意力机制, 特征金字塔网络, 非极大值抑制

Abstract: Under complex garden environment such as aggregation and occlusion， it is difficult for the existing target detection algorithms to accurately detect spherical hedge. In order to solve this problem， an algorithm YOLO-CBS based on YOLOv5s is proposed to improve the detection accuracy of spherical hedge in gardens. Firstly， coordinate attention （CA） is introduced into the backbone network of YOLOv5s， which considers the relationship between channels and the location information of the feature space， so that the model can more accurately identify and locate the target hedge. Secondly， the path aggregation network （PANet） is replaced by bidirectional feature pyramid network （BiFPN） to improve the efficiency of feature fusion. Finally， the non‑maximum suppression （NMS） at the output is changed to Soft-NMS to improve the detection accuracy of target hedges under complex scenes such as occluded hedges and dense hedges. The results of experiments on a typical hedgerow data set show that the average accuracy of the YOLO-CBS algorithm is improved by 3.4% compared to the YOLOv5s algorithm.

Key words: , hedge detection； YOLOv5s； attention mechanism； feature pyramid network； non?maximum suppression

中图分类号:

TP391.4
S688

王克涛, 陈世锋, 陈贵, 韦锦, 蒙丽雯, 陈泉成. 基于YOLOv5s的园林球形绿篱检测方法[J]. 中国农机化学报, 2024, 45(8): 262-269.

Wang Ketao, Chen Shifeng, Chen Gui, Wei Jin, Meng Liwen, Chen Quancheng. Detection method of garden spherical hedge based on YOLOv5s [J]. Journal of Chinese Agricultural Mechanization, 2024, 45(8): 262-269.

参考文献

[ 1 ] 张志远，罗铭毅，郭树欣，等. 基于改进YOLOv5的自然环境下樱桃果实识别方法[J]. 农业机械学报， 2022， 53（S1）: 232-240.
Zhang Zhiyuan， Luo Mingyi， Guo Shuxin， et al. Cherry fruit detection method in natural scene based on improved YOLOv5 [J]. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（S1）: 232-240.
[ 2 ] 闫彬，樊攀，王美茸，等. 基于改进YOLOv5m的采摘机器人苹果采摘方式实时识别[J]. 农业机械学报， 2022， 53（9）: 28-38， 59.
Yan Shan， 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， 59.
[ 3 ] 张伟康，孙浩，陈鑫凯，等. 基于改进YOLOv5的智能除草机器人蔬菜苗田杂草检测研究[J]. 图学学报， 2023， 44（2）: 346-356.
Zhang Weikang， Sun Hao， Chen Xinkai， et al. Research on weed detection in vegetable seedling fields based on the improved YOLOv5 intelligent weeding robot [J]. Journal of Graphics， 2023， 44（2）: 346-356.
[ 4 ] 杨其晟，李文宽，杨晓峰，等. 改进YOLOv5的苹果花生长状态检测方法[J]. 计算机工程与应用， 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 Application， 2022， 58（4）: 237-246.
[ 5 ] 黄彤镔，黄河清，李震，等. 基于YOLOv5改进模型的柑橘果实识别方法[J]. 华中农业大学学报， 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.
[ 6 ] Redmon J， Divvala S， Girshick R， et al. You only look once: Unified， real‑time object detection [C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2016: 779-788.
[ 7 ] Redmon J， Farhadi A. YOLO9000: Better， faster， stronger [C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2017: 7263-7271.
[ 8 ] Redmon J， Farhadi A. YOLOv3: An incremental improvement [J]. ArXiv Preprint ArXiv: 1804.02767， 2018.
[ 9 ] Bochkovskiy A， Wang C Y， Liao H Y M. YOLOv4: Optimal speed and accuracy of object detection [J]. ArXiv Preprint ArXiv: 2004.10934， 2020.
[10] He K， Zhang X， Ren S， 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.
[11] Liu S， Qi L， Qin H， et al. Path aggregation network for instance segmentation [C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2018: 8759-8768.
[12] Lin T Y， Dollár P， Girshick R， et al.Feature pyramid networks for object detection [C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2017: 2117-2125.
[13] Neubeck A， Xan Gool L. Efficient non‑maximum suppression [C]. 18th International Conference on Pattern Recognition （ICPR）， IEEE， 2006， 3: 850-855.
[14] Hu J， Shen L， Sun G. Squeeze‑and‑excitation networks [C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2018: 7132-7141.
[15] Woo S， Park J， Lee J Y， et al. CBAM: Convolutional block attention module [C]. Proceedings of the European Conference on Computer Vision （ECCV）， 2018: 3-19.
[16] Hou Q， Zhou D， Feng J. Coordinate attention for efficient mobile network design [C]. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2021: 13713-13722.
[17] Tan M， Pang R， Le Q V. EfficientDet: Scalable and efficient object detection [C]. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2020: 10781-10790.
[18] Bodla N， Singh B， Chellappa R， et al. Soft‑NMS: Improving object detection with one line of code [C]. Proceedings of the IEEE International Conference on Computer Vision， 2017: 5561-5569.

[1]	周俊昌, 曾维, 彭鹏, 庞记成, 刘军军, 杨熙临. 苹果叶片病害检测的轻量化YOLOv5研究与实现[J]. 中国农机化学报, 2025, 46(4): 126-132.
[2]	陈浩宇, 苗玉彬. 基于GASF变换和深度学习的柑橘内部品质分析[J]. 中国农机化学报, 2025, 46(4): 133-138.
[3]	赵玉清, 焦雨杰, 李宏, 王天允, 李嘉舜, 张悦, . 改进ShuffleNet V1算法的咖啡豆分级方法研究[J]. 中国农机化学报, 2025, 46(4): 194-203.
[4]	吕宗旺, 王甜甜, 孙福艳, 祝玉华, . 基于改进YOLOv8m的小麦仓储粮虫检测方法[J]. 中国农机化学报, 2025, 46(3): 108-114.
[5]	郭敬涛, 吕凤, 章慧婷, 杨彪, 刘大洋. 基于迁移学习与轻量化YOLOv5s的草莓目标检测方法[J]. 中国农机化学报, 2025, 46(3): 253-260.
[6]	颜士军, 朱红梅, 王雅童, 张亮. 基于字词融合和注意力机制的兽药文本命名实体识别#br#[J]. 中国农机化学报, 2025, 46(3): 336-342.
[7]	吴秋兰, 陈雪飞, 陈超, 张峰, 王姝妹, 赵恒. 基于改进YOLOv5s的香菇菌棒污染识别方法[J]. 中国农机化学报, 2025, 46(2): 217-223.
[8]	戴敏, 孙文靖, 缪宏. 基于轻量化CBAM—GoogLeNet的辣椒病虫害识别[J]. 中国农机化学报, 2025, 46(2): 224-229.
[9]	李涛, 买买提明⋅艾尼, 古丽巴哈尔⋅托乎提, 杨佳雨. 基于改进YOLOv8的小棚架下无核白葡萄果梗识别[J]. 中国农机化学报, 2025, 46(2): 259-263.
[10]	段小勇, 何超, 刘学渊. 基于改进DeepLabV3+的非结构化道路可行驶区域检测[J]. 中国农机化学报, 2025, 46(2): 271-278.
[11]	李先旺, 刘赛虎, 黄忠祥, 章霞东. 基于XLNet—BiLSTM—AFF—CRF的谷物收割机械维修知识命名实体识别[J]. 中国农机化学报, 2025, 46(2): 319-325.
[12]	高芳征, 温鑫, 黄家才, 陈光明, 金少宇, 赵雪迪. 基于AD-YOLOX-Nano的茶叶嫩芽识别算法[J]. 中国农机化学报, 2025, 46(1): 178-184.
[13]	王鑫淼, 张正, 董晓威, 王林烽, 李瑞祥. 基于改进YOLOv8算法的谷子田杂草检测[J]. 中国农机化学报, 2025, 46(1): 185-189.
[14]	高天赐, 王克俭, 陈晨, 韩宪忠, 王超, 李会平, . 基于DCP-ShuffleNetV2的轻量级森林害虫识别方法[J]. 中国农机化学报, 2025, 46(1): 190-197.
[15]	卢明, 余心杰, 郭俊先. 基于改进YOLOv8算法的水稻田间人工施肥行为识别[J]. 中国农机化学报, 2025, 46(1): 220-226.