Detección en tiempo real de racimos de uvas en escenas naturales complejas basada en la red de aprendizaje profundo YOLOv5s
Autores: Zhang, Chuandong; Ding, Huali; Shi, Qinfeng; Wang, Yunfei
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Detección en tiempo real de racimos de uvas en escenas naturales complejas basada en la red de aprendizaje profundo YOLOv5s
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Racimos de uva
YOLOv5s
Algoritmo de aprendizaje profundo
Método de detección
Conjunto de datos
Detección en tiempo real
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
Debido a las diferencias en el entorno de plantación, color, forma, tamaño y compacidad, la detección precisa de racimos de uva es muy difícil. Aquí se propuso un método de detección en tiempo real de racimos de uva basado en el algoritmo de aprendizaje profundo YOLOv5s. Específicamente, se construyó un nuevo conjunto de datos llamado Grape-internet, que consistía en 8657 imágenes de uva y archivos de anotación correspondientes en escenas complejas. Al entrenar y ajustar los parámetros del modelo YOLOv5s en el conjunto de datos, y al reducir la profundidad y anchura de la red, se completó el procesamiento ligero de la red, perdiendo solo una pequeña cantidad de precisión. Como resultado, finalmente se logró la detección rápida y precisa de racimos de uva. Los resultados de la prueba mostraron que la precisión, recall, mAP y F1 de la red de detección de racimos de uva fueron del 99.40%, 99.40%, 99.40% y 99.40%, respectivamente, y la velocidad de detección promedio por imagen fue de 344.83 fps, con un tamaño de modelo de 13.67 MB. En comparación con los modelos YOLOv5x, ScaledYOLOv4-CSP y YOLOv3, la precisión de YOLOv5s fue un 1.84% mayor que la de ScaledYOLOv4-CSP, y la tasa de recall y mAP fueron ligeramente más bajas que las tres redes en un 0.1-0.3%. La velocidad fue la más rápida (4.6 veces, 2.83 veces y 6.7 veces la red YOLOv3, ScaledYOLOv4-CSP y YOLOv5x, respectivamente) y el tamaño de la red fue el más pequeño (1.61%, 6.81% y 8.28% de YOLOv3, ScaledYOLOv4-CSP YOLOv5x, respectivamente) para YOLOv5s. Además, la precisión de detección y la tasa de recall de YOLOv5s fueron un 26.14% y un 30.96% más altas, respectivamente, que las de Mask R-CNN. Además, mostró una mayor ligereza y mejor rendimiento en tiempo real. En resumen, la red de detección no solo puede cumplir con los requisitos de ser una solución de alta precisión, alta velocidad y ligera para la detección de racimos de uva, sino que también puede adaptarse a las diferencias entre productos y a la compleja interferencia ambiental, poseyendo una fuerte robustez, generalización y adaptabilidad en tiempo real.
Descripción
Debido a las diferencias en el entorno de plantación, color, forma, tamaño y compacidad, la detección precisa de racimos de uva es muy difícil. Aquí se propuso un método de detección en tiempo real de racimos de uva basado en el algoritmo de aprendizaje profundo YOLOv5s. Específicamente, se construyó un nuevo conjunto de datos llamado Grape-internet, que consistía en 8657 imágenes de uva y archivos de anotación correspondientes en escenas complejas. Al entrenar y ajustar los parámetros del modelo YOLOv5s en el conjunto de datos, y al reducir la profundidad y anchura de la red, se completó el procesamiento ligero de la red, perdiendo solo una pequeña cantidad de precisión. Como resultado, finalmente se logró la detección rápida y precisa de racimos de uva. Los resultados de la prueba mostraron que la precisión, recall, mAP y F1 de la red de detección de racimos de uva fueron del 99.40%, 99.40%, 99.40% y 99.40%, respectivamente, y la velocidad de detección promedio por imagen fue de 344.83 fps, con un tamaño de modelo de 13.67 MB. En comparación con los modelos YOLOv5x, ScaledYOLOv4-CSP y YOLOv3, la precisión de YOLOv5s fue un 1.84% mayor que la de ScaledYOLOv4-CSP, y la tasa de recall y mAP fueron ligeramente más bajas que las tres redes en un 0.1-0.3%. La velocidad fue la más rápida (4.6 veces, 2.83 veces y 6.7 veces la red YOLOv3, ScaledYOLOv4-CSP y YOLOv5x, respectivamente) y el tamaño de la red fue el más pequeño (1.61%, 6.81% y 8.28% de YOLOv3, ScaledYOLOv4-CSP YOLOv5x, respectivamente) para YOLOv5s. Además, la precisión de detección y la tasa de recall de YOLOv5s fueron un 26.14% y un 30.96% más altas, respectivamente, que las de Mask R-CNN. Además, mostró una mayor ligereza y mejor rendimiento en tiempo real. En resumen, la red de detección no solo puede cumplir con los requisitos de ser una solución de alta precisión, alta velocidad y ligera para la detección de racimos de uva, sino que también puede adaptarse a las diferencias entre productos y a la compleja interferencia ambiental, poseyendo una fuerte robustez, generalización y adaptabilidad en tiempo real.