第42卷第4期2023年7月华中农业大学学报JournalofHuazhongAgriculturalUniversityVol.42No.4July2023，262~269基于YOLO-ODM的温室草莓成熟度的快速检测陈仁凡1，谢知1，2，林晨11.福建农林大学机电工程学院，福州350002；2.福建省农业信息感知技术重点实验室，福州350002摘要为解决温室环境下草莓果实快速准确识别问题，提出一种基于改进YOLOv5s的草莓成熟度检测方法。在主干中引入Shuffle_Block作为特征提取网络，从而实现模型轻量化。同时，在颈部结构中使用全维度动态卷积模块（omni-dimensionaldynamicconvolution，ODConv），以提高网络对草莓目标的信息挖掘能力，降低计算量，并进一步实现轻量化。结果显示，改进后的YOLO-ODM（YOLOwithODConvmodule）模型的平均精度均值达97.4%，模型体积是7.79Mb，在GPU上的单张平均检测时间仅11ms，浮点运算量为6.9×109。与原网络相比，轻量化的YOLO-ODM方法在提高检测精度的同时，模型大小缩减43%，浮点运算量降低52%。以上结果表明，该轻量化方法可快速准确地对温室环境下草莓果实的成熟度进行检测，实现草莓的生长状态监测。关键词草莓；成熟度；目标检测；YOLOv5s；Shuffle_Block；精准识别中图分类号TP391.4文献标识码A文章编号1000-2421（2023）04-0262-08草莓（FragariaananassaDuch.）是一种经济价值和营养价值较高的小浆果［1］。据联合国粮食及农业组织的统计数据库（https：//www.fao.org/faostat/zh/#data/QCL），中国是全世界草莓种植面积最大的国家，其2021年种植面积高达129046hm2。由于草莓果实一般较小且密集，常有枝叶遮挡，传统人工对草莓进行生长期观察或采摘都费时费力。目前，随着我国草莓智能化产业逐渐壮大，发展具有高准确率的果实成熟度检测系统对于确定成熟度不同的果实分布区域，草莓生长的自动化监测以及果实采摘都具有重要意义。传统的草莓识别方法是先获取草莓样本的物理特征，或者结合光谱成像、电子鼻、激光诱导荧光和生物阻抗数据等，再使用机器学习的方法进行模式识别［2-4］。Raj等［5］使用支持向量机结合全光谱图像作为输入研究草莓成熟度分类，准确率超过98%，但没有全光谱数据的情况下，准确率较低。Ibba等［6］使用草莓的生物阻抗数据训练机器学习分类器并取得较好成果，但生物阻抗数据获取过程复杂。Shao等［7］采集草莓3个成熟阶段的高光谱图，结合最小二乘支持向量机和竞争性自适应重加权采样进行成熟度评估，缺点是室外评估准确率较低。上述方法受制于传统...
